Come importare dati da Mongodb a Panda?

Ho una grande quantità di dati in una raccolta in mongodb che devo analizzare. Come faccio a importare quei dati sui panda?

Sono nuovo di panda e intorpidimento.

MODIFICA: La raccolta mongodb contiene i valori dei sensori contrassegnati con data e ora. I valori del sensore sono di tipo float.

Dati di esempio:

{
"_cls" : "SensorReport",
"_id" : ObjectId("515a963b78f6a035d9fa531b"),
"_types" : [
    "SensorReport"
],
"Readings" : [
    {
        "a" : 0.958069536790466,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:26:35.297Z"),
        "b" : 6.296118156595,
        "_cls" : "Reading"
    },
    {
        "a" : 0.95574014778624,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:27:09.963Z"),
        "b" : 6.29651468650064,
        "_cls" : "Reading"
    },
    {
        "a" : 0.953648289182713,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:27:37.545Z"),
        "b" : 7.29679823731148,
        "_cls" : "Reading"
    },
    {
        "a" : 0.955931884300997,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:28:21.369Z"),
        "b" : 6.29642922525632,
        "_cls" : "Reading"
    },
    {
        "a" : 0.95821381,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:41:20.801Z"),
        "b" : 7.28956613,
        "_cls" : "Reading"
    },
    {
        "a" : 4.95821335,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:41:36.931Z"),
        "b" : 6.28956574,
        "_cls" : "Reading"
    },
    {
        "a" : 9.95821341,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:42:09.971Z"),
        "b" : 0.28956488,
        "_cls" : "Reading"
    },
    {
        "a" : 1.95667927,
        "_types" : [
            "Reading"
        ],
        "ReadingUpdatedDate" : ISODate("2013-04-02T08:43:55.463Z"),
        "b" : 0.29115237,
        "_cls" : "Reading"
    }
],
"latestReportTime" : ISODate("2013-04-02T08:43:55.463Z"),
"sensorName" : "56847890-0",
"reportCount" : 8
}

pymongo potrebbe darti una mano, di seguito sono riportati alcuni codici che sto utilizzando:

import pandas as pd
from pymongo import MongoClient


def _connect_mongo(host, port, username, password, db):
    """ A util for making a connection to mongo """

    if username and password:
        mongo_uri = 'mongodb://%s:%s@%s:%s/%s' % (username, password, host, port, db)
        conn = MongoClient(mongo_uri)
    else:
        conn = MongoClient(host, port)


    return conn[db]


def read_mongo(db, collection, query={}, host='localhost', port=27017, username=None, password=None, no_id=True):
    """ Read from Mongo and Store into DataFrame """

    # Connect to MongoDB
    db = _connect_mongo(host=host, port=port, username=username, password=password, db=db)

    # Make a query to the specific DB and Collection
    cursor = db[collection].find(query)

    # Expand the cursor and construct the DataFrame
    df =  pd.DataFrame(list(cursor))

    # Delete the _id
    if no_id:
        del df['_id']

    return df

Puoi caricare i tuoi dati mongodb su DataFrame panda usando questo codice. Per me funziona. Spero anche per te.

import pymongo
import pandas as pd
from pymongo import MongoClient
client = MongoClient()
db = client.database_name
collection = db.collection_name
data = pd.DataFrame(list(collection.find()))

Monaryfa esattamente questo ed è super veloce . ( un altro collegamento )

Guarda questo fantastico post che include un breve tutorial e alcuni tempi.

Secondo PEP, semplice è meglio che complicato:

import pandas as pd
df = pd.DataFrame.from_records(db.<database_name>.<collection_name>.find())

Puoi includere condizioni come faresti con un normale database mongoDB o persino usare find_one () per ottenere solo un elemento dal database, ecc.

e voilà!

import pandas as pd
from odo import odo

data = odo('mongodb://localhost/db::collection', pd.DataFrame)

Per gestire i dati out-of-core (che non si adattano alla RAM) in modo efficiente (cioè con l'esecuzione parallela), puoi provare l' ecosistema Python Blaze : Blaze / Dask / Odo.

Blaze (e Odo ) ha funzioni pronte all'uso per gestire MongoDB.

Alcuni articoli utili per iniziare:

• Presentazione di Blaze Expessions (con esempio di query MongoDB)
• ReproduceIt: numero di parole di Reddit
• Differenza tra Dask Arrays e Blaze

E un articolo che mostra quali cose straordinarie sono possibili con lo stack Blaze: Analisi di 1,7 miliardi di commenti su Reddit con Blaze e Impala (essenzialmente, interrogando 975 GB di commenti Reddit in pochi secondi).

PS Non sono affiliato con nessuna di queste tecnologie.

Un'altra opzione che ho trovato molto utile è:

from pandas.io.json import json_normalize

cursor = my_collection.find()
df = json_normalize(cursor)

in questo modo si ottengono i documenti mongodb annidati gratuitamente.

Utilizzando

pandas.DataFrame(list(...))

consumerà molta memoria se il risultato dell'iteratore / generatore è grande

meglio generare piccoli pezzi e concatenare alla fine

def iterator2dataframes(iterator, chunk_size: int):
  """Turn an iterator into multiple small pandas.DataFrame

  This is a balance between memory and efficiency
  """
  records = []
  frames = []
  for i, record in enumerate(iterator):
    records.append(record)
    if i % chunk_size == chunk_size - 1:
      frames.append(pd.DataFrame(records))
      records = []
  if records:
    frames.append(pd.DataFrame(records))
  return pd.concat(frames)

http://docs.mongodb.org/manual/reference/mongoexport

esporta in csv e usa read_csv o JSON e usaDataFrame.from_records()

Seguendo questa ottima risposta di waitkuo vorrei aggiungere la possibilità di farlo usando chunksize in linea con .read_sql () e .read_csv () . Ingrandisco la risposta di Deu Leung evitando di andare uno per uno ogni "record" dell '"iteratore" / "cursore". Prenderò in prestito la precedente funzione read_mongo .

def read_mongo(db, 
           collection, query={}, 
           host='localhost', port=27017, 
           username=None, password=None,
           chunksize = 100, no_id=True):
""" Read from Mongo and Store into DataFrame """


# Connect to MongoDB
#db = _connect_mongo(host=host, port=port, username=username, password=password, db=db)
client = MongoClient(host=host, port=port)
# Make a query to the specific DB and Collection
db_aux = client[db]


# Some variables to create the chunks
skips_variable = range(0, db_aux[collection].find(query).count(), int(chunksize))
if len(skips_variable)<=1:
    skips_variable = [0,len(skips_variable)]

# Iteration to create the dataframe in chunks.
for i in range(1,len(skips_variable)):

    # Expand the cursor and construct the DataFrame
    #df_aux =pd.DataFrame(list(cursor_aux[skips_variable[i-1]:skips_variable[i]]))
    df_aux =pd.DataFrame(list(db_aux[collection].find(query)[skips_variable[i-1]:skips_variable[i]]))

    if no_id:
        del df_aux['_id']

    # Concatenate the chunks into a unique df
    if 'df' not in locals():
        df =  df_aux
    else:
        df = pd.concat([df, df_aux], ignore_index=True)

return df

Un approccio simile come Rafael Valero, waitkuo e Deu Leung usando l' impaginazione :

def read_mongo(
       # db, 
       collection, query=None, 
       # host='localhost', port=27017, username=None, password=None,
       chunksize = 100, page_num=1, no_id=True):

    # Connect to MongoDB
    db = _connect_mongo(host=host, port=port, username=username, password=password, db=db)

    # Calculate number of documents to skip
    skips = chunksize * (page_num - 1)

    # Sorry, this is in spanish
    # https://www.toptal.com/python/c%C3%B3digo-buggy-python-los-10-errores-m%C3%A1s-comunes-que-cometen-los-desarrolladores-python/es
    if not query:
        query = {}

    # Make a query to the specific DB and Collection
    cursor = db[collection].find(query).skip(skips).limit(chunksize)

    # Expand the cursor and construct the DataFrame
    df =  pd.DataFrame(list(cursor))

    # Delete the _id
    if no_id:
        del df['_id']

    return df

Puoi ottenere ciò che desideri con pdmongo in tre righe:

import pdmongo as pdm
import pandas as pd
df = pdm.read_mongo("MyCollection", [], "mongodb://localhost:27017/mydb")

Se i tuoi dati sono molto grandi, puoi prima eseguire una query aggregata filtrando i dati che non desideri, quindi mapparli alle colonne desiderate.

Di seguito è riportato un esempio di mappatura Readings.asu colonna ae filtro per reportCountcolonna:

import pdmongo as pdm
import pandas as pd
df = pdm.read_mongo("MyCollection", [{'$match': {'reportCount': {'$gt': 6}}}, {'$unwind': '$Readings'}, {'$project': {'a': '$Readings.a'}}], "mongodb://localhost:27017/mydb")

read_mongoaccetta gli stessi argomenti di pymongo aggregate