緣起
在科技的蓬勃發展中,資料處理和分析變得愈發重要。Rust 語言的 Polars 框架為我們提供了一個強大的工具,讓資料操作變得更加容易且高效。這個框架支援以 JSON 格式匯入資料並建立 Dataframe,為我們提供了一個直觀且方便的方式來操作資料。
本文開始
本文的目的,為使用 JSON 為資料來源,在 Rust 中建立 Polars 的 Dataframe。在以下的文章裡,我們將在 Cargo.toml 中,使用如下的設定:
[dependencies]
polars = { version = "0.36.2", features = ["json"] }
撰文的當下,Polars 的最新版本為 0.36.2。參考 Polars 的官方文件,它提供了以下的程式碼段落,以匯入 JSON 檔案內容:
use polars::prelude::*;
let mut file = std::fs::File::open("docs/data/path.json").unwrap();
let df = JsonReader::new(&mut file).finish().unwrap();
到這裡,就能輕鬆的利用一個 JSON 檔案的內容,建立出 Dataframe 物件。
好了,故事結束,收工。
.
.
.
.
.
如果故事真的就這麼簡單,我想也就沒有撰寫這篇文章的必要了。
想想上面程式段落的例子,過程裡需要透過一個存在於檔案系統中的 JSON 檔案為媒介,儲存我們要處理的資料,再透過「JsonReader」讀入的 Dataframe 中處理。如果這些資料是從網路上取得(例如呼叫RESTful API),以字串變數的形式存在於系統之中,例如下面的內容:
let msg = r#"[
{"id": 1, "name": "A", "age": 10},
{"id": 2, "name": "B", "age": 20}
]"#;
面對這樣的情境,若將資料先落地後再重新讀入,實在是有些不切實際,還可能因為受到磁碟 I/O 的效能影響,而拖慢了程式執行的效率。
那為了避免上述的問題,我們應該怎麼處理呢?
使用「Serde」框架,手動建立 Dataframe
在 Rust 語言的生態系中,有一個「Serde」框架可以協助我們處理 JSON 格式的訊息或檔案。為了使用「Serde」,我們需要調整「Cargo.toml」的內容如下:
[dependencies]
polars = { version = "0.36.2", features = ["json"] }
serde = { version = "1", features = ["serde_derive", "derive"] }
serde_json = "1"
但在開始程式碼內容前,我們先說說整個方法的處理邏輯如下:
- 定義訊息格式;
- 把訊息的內容,透過「Serde」框架轉換為物件或清單(這個視訊息的內容,是否有陣列存在);
- 建立 Polars Dataframe。
定義訊息格式
這個動作裡,需要先定義好一個結構(struct);參考了 JSON 訊息的內容,我們將「User」這個結構定義如下:
use serde::Deserialize;
#[derive(Debug, Deserialize)]
struct User {
id: i32,
name: String,
age: i32,
}
這樣做的好處是,在匯入前就明確定義要處理的資料欄位、名稱,以及資料型態。我們會利用這個結構,來匯入 JSON 訊息。
匯入 JSON 訊息
這個步驟裡,我們會使用到「serde_json::from_str()」來匯入 JSON 訊息,具體的方式如下:
// Parse JSON string into a vector of Item structs
let users: Vec<User> = serde_json::from_str(msg).unwrap();
由於 JSON 訊息裡記載的是一個具有陣列型態的資料內容,因此在處理上,就應以「Vec<User>」來宣告,以同時儲存多個不同的「User」。
建立 Polars Dataframe
最後的重頭戲來了!!我們的目標是建立出 Polars Dataframe 物件,以進行後續資料的處理與操作。參考以下的程式片段,以完成這個作業:
// Create a DataFrame from the vector of structs
let df = DataFrame::new(vec![
Series::new("id", users.iter().map(|i| i.id).collect::<Vec<_>>()),
Series::new("name", users.iter().map(|i| i.name.clone()).collect::<Vec<_>>()),
Series::new("age", users.iter().map(|i| i.age).collect::<Vec<_>>())
]).unwrap();
// Display the DataFrame
println!("{:?}", df);
這裡使用的方式,是將「users」裡的各個欄位透過「iterator」的方式「抽出」,產生對應的資料序列(Series)後,再逐一填寫到 Dataframe 中,最終產生我們的 Dataframe - 「df」。
除了手動建立 Dataframe 的方式外,有沒有什麼比較好的方式,可以用來建立 Dataframe 呢?
透過「Cursor」建立字元串流
其實在 Rust 語言的「std::io」標準庫裡,有一個「Cursor」的 Wrapper 結構,它可以把一個字串轉換為資料串流,以進行 I/O 讀取操作;這個用法有點像我們在 Java 語言裡,會把「String」物件轉換為「StringReader」,再逐字或逐行的讀入這個字串內容。
相關的做法如下:
use polars::prelude::*;
// Create a Cursor from the input string
let cur = Cursor::new(msg);
let df = JsonReader::new(cur).finish().unwrap();
這個方法只用了短短的兩行,就完成了上述的 Dataframe 生成作業,是不是很方便?
結論
在本文中,我們探討了使用 Rust 語言的 Polars 框架處理 JSON 訊息的方法。從檔案匯入的方式進一步擴展,介紹了在處理來自網路的 JSON 字串時,如何避免因資料落地後再讀入的效能問題。透過 Serde 框架,我們定義了資料結構,並展示了如何手動建立 Dataframe,以及透過 std::io::Cursor 結構建立字元串流的方式,使產生 Dataframe 的作業更為簡單方便。這樣的處理方式不僅提高了效能,也讓資料處理更具彈性。
我尚在浩瀚的 Rust 世界中探索各種發展的可能。文章的內容皆為我實際操作後所撰寫下的過程及心得,雖已儘可能追求正確與嚴謹,但內容仍難免因觀念或理解而有所差誤,還望看到此文的同好先進,不忘指點改正,謝謝您。
最後附上本篇文章所用到的完整程式碼供大家參考:
use std::io::Cursor;
use polars::prelude::*;
use serde::Deserialize;
#[derive(Debug, Deserialize)]
struct User {
id: i32,
name: String,
age: i32,
}
fn main() {
// Define your JSON message as a string
let msg = r#"[
{"id": 1, "name": "A", "age": 10},
{"id": 2, "name": "B", "age": 20}
]"#;
// Parse JSON string into a vector of Item structs
let users: Vec<User> = serde_json::from_str(msg).unwrap();
// Create a DataFrame from the vector of structs
let df = DataFrame::new(vec![
Series::new("id", users.iter().map(|i| i.id).collect::<Vec<_>>()),
Series::new("name", users.iter().map(|i| i.name.clone()).collect::<Vec<_>>()),
Series::new("age", users.iter().map(|i| i.age).collect::<Vec<_>>())
]).unwrap();
// Display the DataFrame
println!("{:?}", df);
// Create a Cursor from the input string
let cur = Cursor::new(msg);
let df = JsonReader::new(cur).finish().unwrap();
// Display the DataFrame
println!("{:?}", df);
}
留言