Tietojen lukeminen ja kirjoittaminen Pandasin avulla Microsoft Fabricissa

Microsoft Fabric -muistikirjat tukevat saumatonta vuorovaikutusta Lakehouse-tietojen kanssa käyttämällä Pandasia, joka on suosituin Python-kirjasto tietojen tutkimiseen ja käsittelyyn. Muistikirjassa voit nopeasti lukea tietoja ja kirjoittaa tietoja takaisin niiden Lakehouse-resursseihin eri tiedostomuodoissa. Tämä opas tarjoaa koodinäytteitä, joiden avulla pääset alkuun omassa muistikirjassasi.

Edellytykset

• Hanki Microsoft Fabric -tilaus. Voit myös rekisteröityä ilmaiseen Microsoft Fabric -kokeiluversioon.

• Kirjaudu sisään Microsoft Fabriciin.

• Siirry Synapse Data Science -käyttökokemukseen aloitussivun vasemmassa reunassa olevan käyttökokemuksen vaihtajan avulla.

  

Lakehouse-tietojen lataaminen muistikirjaan

Kun liität Lakehousen Microsoft Fabric -muistikirjaasi, voit tutkia tallennettuja tietoja poistumatta sivulta ja lukea ne muistikirjaasi muutamalla vaiheella. Lakehouse-tiedostopintojen valinnat tietojen lataamiseksi Sparkiin tai Pandas DataFrameen. Voit myös kopioida tiedoston koko ABFS-polun tai ystävällisen suhteellisen polun.

Kun valitset jonkin Lataa tiedot -kehotteen, luo koodisolun, joka lataa kyseisen tiedoston muistikirjasi DataFrameen.

Spark DataFramen muuntaminen Pandas DataFrameksi

Tässä komennossa kerrotaan, miten voit muuntaa Spark DataFramen Pandas DataFrame -kehykseksi:

# Replace "spark_df" with the name of your own Spark DataFrame
pandas_df = spark_df.toPandas() 

Erilaisten tiedostomuotojen lukeminen ja kirjoittaminen

Nämä koodinäytteet kuvaavat Pandas-toimintoja eri tiedostomuotojen lukemiseksi ja kirjoittamiseksi.

Muistiinpano

Sinun on korvattava näiden koodimallien tiedostopolut. Pandas tukee sekä suhteellisia polkuja, kuten tässä näkyy, että täydellisiä ABFS-polkuja. Jommankumman tyypin polut voidaan noutaa ja kopioida käyttöliittymästä edellisen vaiheen mukaan.

Tietojen lukeminen CSV-tiedostosta

import pandas as pd

# Read a CSV file from your Lakehouse into a Pandas DataFrame
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df = pd.read_csv("/LAKEHOUSE_PATH/Files/FILENAME.csv")
display(df)

Tietojen kirjoittaminen CSV-tiedostona

import pandas as pd 

# Write a Pandas DataFrame into a CSV file in your Lakehouse
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df.to_csv("/LAKEHOUSE_PATH/Files/FILENAME.csv") 

Tietojen lukeminen Parquet-tiedostosta

import pandas as pd 
 
# Read a Parquet file from your Lakehouse into a Pandas DataFrame
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df = pandas.read_parquet("/LAKEHOUSE_PATH/Files/FILENAME.parquet") 
display(df)

Kirjoita tiedot Parquet-tiedostona

import pandas as pd 
 
# Write a Pandas DataFrame into a Parquet file in your Lakehouse
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df.to_parquet("/LAKEHOUSE_PATH/Files/FILENAME.parquet") 

Tietojen lukeminen Excel-tiedostosta

import pandas as pd 
 
# Read an Excel file from your Lakehouse into a Pandas DataFrame
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df = pandas.read_excel("/LAKEHOUSE_PATH/Files/FILENAME.xlsx") 
display(df) 

Tietojen kirjoittaminen Excel-tiedostona

import pandas as pd 

# Write a Pandas DataFrame into an Excel file in your Lakehouse
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df.to_excel("/LAKEHOUSE_PATH/Files/FILENAME.xlsx") 

Tietojen lukeminen JSON-tiedostosta

import pandas as pd 
 
# Read a JSON file from your Lakehouse into a Pandas DataFrame
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df = pandas.read_json("/LAKEHOUSE_PATH/Files/FILENAME.json") 
display(df) 

Tietojen kirjoittaminen JSON-tiedostona

import pandas as pd 
 
# Write a Pandas DataFrame into a JSON file in your Lakehouse
# Replace LAKEHOUSE_PATH and FILENAME with your own values
df.to_json("/LAKEHOUSE_PATH/Files/FILENAME.json") 

Liittyvä sisältö

• Tietojen puhdistaminen ja valmisteleminen Data Wrangler -toiminnolla
• Koneoppimismallien harjoittamisen aloittaminen