mongodbからpandasにデータをインポートする方法は？

mongodbのコレクションに大量のデータがあり、分析する必要があります。そのデータをパンダにインポートするにはどうすればよいですか？

私はパンダとナンピーが初めてです。

編集：mongodbコレクションには、日付と時刻でタグ付けされたセンサー値が含まれています。センサー値は、floatデータ型です。

サンプルデータ：

{
"_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 あなたに手を与えるかもしれません、以下は私が使っているいくつかのコードです：

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

このコードを使用して、mongodbデータをpandas DataFrameにロードできます。わたしにはできる。うまくいけばあなたにも。

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()))

Monaryまさにそれを行い、それは超高速です。（別のリンク）

簡単なチュートリアルといくつかのタイミングを含むこのクールな投稿を参照してください。

PEPに従って、単純な方が複雑なよりも優れています。

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

通常のmongoDBデータベースでの作業と同じように条件を含めることも、データベースから1つの要素のみを取得するためにfind_one（）を使用することもできます。

そして出来上がり！

import pandas as pd
from odo import odo

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

コア外（RAMに適合しない）のデータを効率的に（つまり、並列実行で）処理するには、Python Blazeエコシステムを試すことができます：Blaze / Dask / Odo。

Blaze（およびOdo）には、MongoDBを処理するためのすぐに使用できる関数があります。

始めるためのいくつかの有用な記事：

• Blaze Expessionsの紹介（MongoDBクエリの例を使用）
• ReproduceIt：Redditワード数
• Dask ArrayとBlazeの違い

また、Blazeスタックで可能な驚くべきことを示す記事：BlazeとImpalaを使用した17億のRedditコメントの分析（基本的に、975 GbのRedditコメントを数秒でクエリ）。

PS私はこれらのテクノロジーのいずれとも提携していません。

私が非常に便利な別のオプションは次のとおりです。

from pandas.io.json import json_normalize

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

このようにして、ネストされたmongodbドキュメントを無料で展開できます。

使用する

pandas.DataFrame(list(...))

イテレータ/ジェネレータの結果が大きい場合、大量のメモリを消費します

小さなチャンクを生成し、最後に連結する方が良い

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

csvにエクスポートして使用、read_csv またはJSONを使用してDataFrame.from_records()

waitingkuoによるこの素晴らしい回答に続いて、.read_sql（）および.read_csv（）に沿ってチャンクサイズを使用してそれを実行する可能性を追加したいと思います。「イテレータ」/「カーソル」の「レコード」ごとに1つずつ行くのを避けて、Deu Leungからの回答を拡大します。以前のread_mongo関数を借ります。

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

Rafael Valero、waitingkuo、およびDeu Leungのような、ページネーションを使用した同様のアプローチ：

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

pdmongoを使用すると、次の3行で目的の結果を得ることができます。

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

データが非常に大きい場合は、最初に不要なデータをフィルタリングして集計クエリを実行し、次にそれらを目的の列にマップできます。

Readings.a列へのマッピングと列aによるフィルタリングの例を次に示しreportCountます。

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_mongopymongo aggregateと同じ引数を受け入れます