如何将 .zst 文件提取到 pandas 数据框中

Question

对于 Python 来说，我还是个初学者，但我在学校的一个项目需要我对这个 Reddit 流行度数据集执行分类算法。这些文件是巨大的 .zst 文件，可以在这里找到： https: //files.pushshift.io/reddit/submissions/ 无论如何，我只是不确定如何将其提取到数据库中，因为我们已经完成了作业到目前为止，我只使用了 .csv 数据集，我可以轻松地将其放入 pandas 数据框中。我偶然发现了另一篇文章，并尝试使用代码：

    def transform_zst_file(self,infile):
        zst_num_bytes = 2**22
        lines_read = 0
        dctx = zstd.ZstdDecompressor()
        with dctx.stream_reader(infile) as reader:
            previous_line = ""
            while True:
                chunk = reader.read(zst_num_bytes)
                if not chunk:
                    break
                string_data = chunk.decode('utf-8')
                lines = string_data.split("\n")
                for i, line in enumerate(lines[:-1]):
                    if i == 0:
                        line = previous_line + line
                    self.appendData(line, self.type)
                    lines_read += 1
                    if self.max_lines_to_read and lines_read >= self.max_lines_to_read:
                        return
                previous_line = lines[-1]

但我不完全确定如何将其放入 pandas 数据框中，或者如果文件太大，则仅将一定比例的数据点放入数据框中。任何帮助将不胜感激！

每次我尝试运行以下代码时，它只会使我的计算机崩溃：

import zstandard as zstd  
your_filename = "..." 
with open(your_filename, "rb") as f:     
    data = f.read()  

dctx = zstd.ZstdDecompressor() 
decompressed = dctx.decompress(data)

可能是由于文件的大小太大，有没有办法将该文件的一部分提取到 pandas 数据框中？

Answer 1

该文件已使用压缩库Zstandard ( https://github.com/facebook/zstd ) 进行压缩。

对您来说最简单的事情可能是使用以下命令安装 python-zstandard ( https://pypi.org/project/zstandard/ )

pip install zstandard

然后在 python 脚本中运行类似的东西

import zstandard as zstd

your_filename = "..."
with open(your_filename, "rb") as f:
    data = f.read()

dctx = zstd.ZstdDecompressor()
decompressed = dctx.decompress(data)

现在您可以直接使用解压后的数据，也可以将其写入某个文件，然后加载到 pandas 中。祝你好运！