Pandas e Cassandra: incompatibilità formato array numpy

Question

Sto usando il driver Cassandra Python per connettersi e interrogare il nostro cluster Cassandra.

voglio manipolare i miei dati tramite panda, c'è una zona nella documentazione per il driver Cassandra che cita esattamente questo: https://datastax.github.io/python-driver/api/cassandra/protocol.html

NumpyProtocolHander: deserializes results directly into NumPy arrays. This facilitates efficient integration with analysis toolkits such as Pandas.

Seguendo le istruzioni di cui sopra e facendo una query SELECT a Cassandra, posso vedere l'output (tramite la funzione type()) come:

<class 'cassandra.cluster.ResultSet'> 

iterazione attraverso i risultati, questo che stampa una riga è riportato come:

{u'reversals_rejected': array([0, 0]), u'revenue': array([ 0, 10]), u'reversals_revenue': array([0, 0]), u'rejected': array([3, 1]), u'impressions_positive': array([3, 3]), u'site_user_id': array([226226, 354608], dtype=int32), u'error': array([0, 0]), u'impressions_negative': array([0, 0]), u'accepted': array([0, 2])} 

(Ho limitato i risultati della query, sto lavorando con quantità di dati molto più grandi, quindi voglio usare numpy e panda).

La mia conoscenza di Panda è limitata, ho tentato di eseguire le funzionalità molto semplici:

rslt = cassandraSession.execute("SELECT accepted FROM table") 

test = rslt[["accepted"]].head(1) 

Emette il seguente errore:

Traceback (most recent call last): 
    File "/UserStats.py", line 27, in <module> 
    test = rslt[["accepted"]].head(1) 
    File "cassandra/cluster.py", line 3380, in cassandra.cluster.ResultSet.__getitem__ (cassandra/cluster.c:63998) 
TypeError: list indices must be integers, not list 

ho capito l'errore, io proprio non lo so come "passare" da questo presunto array numerico a poter usare Pandas.

Answer 1

La risposta breve è:

df = pd.DataFrame(rslt[0]) 
test = df.head(1) 

rslt [0] ti dà i dati come dict Python, che può essere facilmente convertito in un dataframe Panda.

Per una soluzione completa:

import pandas as pd 
from cassandra.cluster import Cluster 
from cassandra.protocol import NumpyProtocolHandler 
from cassandra.query import tuple_factory 

cluster = Cluster(
    contact_points=['your_ip'], 
    ) 
session = cluster.connect('your_keyspace') 
session.row_factory = tuple_factory 
session.client_protocol_handler = NumpyProtocolHandler 

prepared_stmt = session.prepare ("SELECT * FROM ... WHERE ...;") 
bound_stmt = prepared_stmt.bind([...]) 
rslt = session.execute(bound_stmt) 
df = pd.DataFrame(rslt[0]) 

Nota: La soluzione di cui sopra vi si ottiene solo una parte dei dati se la query è di grandi dimensioni. Quindi dovresti fare:

df = pd.DataFrame() 
for r in rslt: 
    df = df.append(r)