معرفی شرکت ها
FeatherStore-0.2.1
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
High performance datastore built upon Apache Arrow & Feather
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | FeatherStore-0.2.1 |
| نام | FeatherStore |
| نسخه کتابخانه | 0.2.1 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | =?utf-8?q?H=C3=A5kon_Magne_Holmen?= |
| ایمیل نویسنده | haakonholmen@hotmail.com |
| آدرس صفحه اصلی | https://github.com/Hakonmh/featherstore |
| آدرس اینترنتی | https://pypi.org/project/FeatherStore/ |
| مجوز | MIT |
# FeatherStore
[](https://featherstore.readthedocs.io/en/latest/index.html)
[](https://github.com/hakonmh/featherstore/actions)
[](https://pypi.org/project/FeatherStore/)
[](https://pypi.org/project/FeatherStore/)
[](https://github.com/hakonmh/featherstore/blob/master/LICENSE)
## High performance datastore built upon Apache Arrow & Feather
FeatherStore is a fast datastore for storing Pandas DataFrames, Pandas Series, Polars
DataFrames and PyArrow Tables as partitioned [Feather Files](https://arrow.apache.org/docs/python/feather.html).
FeatherStore supports several operations on stored tables that can be done without loading
in the full data:
* Partial reading of data
* Append data
* Insert data
* Update data
* Drop data
* Read metadata (column names, index, table shape, etc)
* Changing column types
To learn more, read the [User Guide](https://featherstore.readthedocs.io/en/stable/Quickstart.html).
## Using FeatherStore
```python
>>> # Create a Pandas DataFrame
import pandas as pd
from numpy.random import randn
import featherstore as fs
dates = pd.date_range("2021-01-01", periods=5)
df = pd.DataFrame(randn(5, 4), index=dates, columns=list("ABCD"))
A B C D
2021-01-01 0.402138 -0.016436 -0.565256 0.520086
2021-01-02 -1.071026 -0.326358 -0.692681 1.188319
2021-01-03 0.777777 -0.665146 1.017527 -0.064830
2021-01-04 -0.835711 -0.575801 -0.650543 -0.411509
2021-01-05 -0.649335 -0.830602 1.191749 0.396745
>>> # Create a database folder at the given path
fs.create_database('path/to/db')
fs.connect('path/to/db')
# Creates a data store
fs.create_store('example_store')
# List existing stores in current database
fs.list_stores()
['example_store']
>>> # Connects to store
store = fs.Store('example_store')
# Saves table to store; partition size defines the size of each partition in bytes
PARTITION_SIZE = 128 # bytes
store.write_table('example_table', df, partition_size=PARTITION_SIZE)
# Lists existing tables in current store
store.list_tables()
['example_table']
>>> # FeatherStore can read tables as Arrow Tables, Pandas DataFrames or Polars DataFrames
store.read_pandas('example_table')
# store.read_arrow('example_table') for reading to Arrow Tables
# store.read_polars('example_table') for reading to Polars DataFrames
A B C D
2021-01-01 0.402138 -0.016436 -0.565256 0.520086
2021-01-02 -1.071026 -0.326358 -0.692681 1.188319
2021-01-03 0.777777 -0.665146 1.017527 -0.064830
2021-01-04 -0.835711 -0.575801 -0.650543 -0.411509
2021-01-05 -0.649335 -0.830602 1.191749 0.396745
>>> # FeatherStore supports appending data without loading in the full table
new_dates = pd.date_range("2021-01-06", periods=1)
df1 = pd.DataFrame(randn(1, 4), index=new_dates, columns=list("ABCD"))
store.append_table('example_table', df1)
# It also supports querying parts of the data
store.read_pandas('example_table', rows={'after': '2021-01-05'}, cols=['D', 'A'])
D A
2021-01-05 0.396745 -0.649335
2021-01-06 0.606950 0.408125
```
## Performance
FeatherStore is very fast, and in fact is one of the best performing solutions available.
See the performance benchmark [here](https://featherstore.readthedocs.io/en/stable/Benchmarks.html).
## Installation
FeatherStore can be installed by using `$ pip install featherstore`
## Requirements
* Python >= 3.8
* Arrow
* Pandas
* Polars
* Numpy
## Documentation
Want to know about all the features FeatherStore support? [Read the docs!](https://featherstore.readthedocs.io/en/stable/index.html)
نیازمندی
| مقدار | نام |
|---|---|
| >=1.1.0 | pandas |
| >=0.14.11 | polars[timezone] |
| >=8.0.0 | pyarrow |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8 | Python |
نحوه نصب
نصب پکیج whl FeatherStore-0.2.1:
pip install FeatherStore-0.2.1.whl
نصب پکیج tar.gz FeatherStore-0.2.1:
pip install FeatherStore-0.2.1.tar.gz