合并TSV文件以为Apache Arrow表创建新的TSV

问题描述

我有两个TSV文件（header.tsv和data.tsv）header.tsv拥有1000多个列名，data.tsv拥有约5万条记录（列值也为NULL）。我想通过将data.tsv文件附加到header.tsv来创建一个新的TSV文件（例如，combined.tsv）。这样做的原因是创建一个最终的TSV文件，在其中可以将列名和数据保存在一起，并尝试查看在创建Apache Arrow表时是否可以避免错误。

**header.tsv**
field1 field2 field3 field4 ... field1000 

**data.tsv**
eng-en    1er2p  NULL  ert,yu1  ...  2020-09-16
frnch-fr  2er3p  NULL  ert,yu2  ...  2020-09-16
.
.
.
ltn-lt    50Ker  NULL  ert,yu50K ... 2020-09-16

必需的TSV

**combined.tsv**
field1    field2   field3   field4    ...   field1000
eng-en    1er2p    NULL     ert,yu1   ...   2020-09-16
frnch-fr  2er3p    NULL     ert,yu2   ...   2020-09-16
.
.
.
ltn-lt    50Ker    NULL     ert,yu50K ...   2020-09-16

我已经使用了SHELL命令

paste header.tsv data.tsv > combined.tsv

，然后尝试创建一个pyarrow表。

import pyarrow as pa
import pyarrow.csv as csv
combined = csv.read_csv('combined.tsv',parse_options=csv.ParSEOptions(delimiter="\t"))

执行上述操作时出现错误

ArrowInvalid: CSV parse error: Expected 2010 columns,got 1006

header.tsv文件正好具有1005列，可以解析此header.tsv文件以创建pyarrow表，而不是data.tsv文件。

import pyarrow as pa
import pyarrow.csv as csv
header = csv.read_csv('headers.tsv',parse_options=csv.ParSEOptions(delimiter="\t")) 
head_show=header.to_pandas()
head_show.head()

我什至尝试通过以下方式使用pyarrow的concat_tables方法

import pyarrow as pa
final_combined = pa.concat_tables(header,data)

错误

TypeError: Cannot convert pyarrow.lib.ChunkedArray to pyarrow.lib.Table

如果我的方法有误，请纠正我。

解决方法

要创建合并的CSV，您想将标题和数据连接起来：

cat header.csv data.csv > combined.csv

使用“粘贴”将执行“水平”串联-合并每个文件的第一，第二，第三，...行，形成长行。