如何在Python中读取大的.jl文件

Question

我正在尝试读取以下数据集并将其转换为 pandas 数据框：
https ://www.kaggle.com/marlesson/meli-data-challenge-2020

它是一个包含以下格式行的文件：

{'event_info': '...', 'event_timestamp': '...', 'event_type': '...'}
{'event_info': '...', 'event_timestamp': '...', 'event_type': '...'}
{'event_info': '...', 'event_timestamp': '...', 'event_type': '...'}

我一直在尝试以下方法，但花费的时间太长（+60分钟）：

import numpy as np
import pandas as pd
import fileinput
import json

%%time

df = pd.DataFrame()
with fileinput.input(files='/kaggle/input/meli-data-challenge-2020/train_dataset.jl') as file:
    for line in file:
        conv = json.loads(line)
        df = df.append(conv, ignore_index=True)
df.head()

在此代码中，它以字符串形式逐行读取文件，将每个文件转换为 json，然后将其附加到数据帧中。

有什么方法可以更快地将数据集转换为 pandas 数据框吗？

Answer 1

我试图读取的文件是一个包含多个对象的 JSON 文件。Pandasread_json()支持lines这样的数据参数：

%%time

df = pd.read_json('/kaggle/input/meli-data-challenge-2020/item_data.jl', lines=True)

Output: CPU times: user 14.1 s, sys: 3.31 s, total: 17.4 s
Wall time: 18.6 s