在Python中利用Into包整洁地进行数据迁移的教程
动机
我们花费大量的时间将数据从普通的交换格式（比如CSV），迁移到像数组、数据库或者二进制存储等高效的计算格式。更糟糕的是，许多人没有将数据迁移到高效的格式，因为他们不知道怎么（或者不能）为他们的工具管理特定的迁移方法。
你所选择的数据格式很重要，它会强烈地影响程序性能（经验规律表明会有10倍的差距），以及那些轻易使用和理解你数据的人。
当提倡Blaze项目时，我经常说：“Blaze能帮助你查询各种格式的数据。”这实际上是假设你能够将数据转换成指定的格式。
进入into项目
into函数能在各种数据格式之间高效的迁移数据。这里的数据格式既包括内存中的数据结构，比如：
列表、集合、元组、迭代器、numpy中的ndarray、pandas中的DataFrame、dynd中的array，以及上述各类的流式序列。
也包括存在于Python程序之外的持久化数据，比如：
CSV、JSON、行定界的JSON，以及以上各类的远程版本
HDF5 (标准格式与Pandas格式皆可)、 BColz、 SAS、 SQL 数据库 ( SQLAlchemy支持的皆可)、 Mongo
into项目能在上述数据格式的任意两个格式之间高效的迁移数据，其原理是利用一个成对转换的网络（该文章底部有直观的解释）。
如何使用它
into函数有两个参数：source和target。它将数据从source转换成target。source和target能够使用如下的格式：
Target Source Example
Object Object A particular DataFrame or list
String String ‘file.csv', ‘postgresql://hostname::tablename'
Type Like list or pd.DataFrame
所以，下边是对into函数的合法调用：
> into(list, df) # create new list from Pandas DataFrame
> into([], df) # append onto existing list
> into('myfile.json', df) # Dump dataframe to line-delimited JSON
> into(Iterator, 'myfiles.*.csv') # Stream through many CSV files
> into('postgresql://hostname::tablename', df) # Migrate dataframe to Postgres
> into('postgresql://hostname::tablename', 'myfile.*.csv') # Load CSVs to Postgres
> into('myfile.json', 'postgresql://hostname::tablename') # Dump Postgres to JSON
> into(pd.DataFrame, 'mongodb://hostname/db::collection') # Dump Mongo to DataFrame
Note that into is a single function. We're used to doing this with various to_csv, from_sql methods on various types. The into api is very small; Here is what you need in order to get started:
注意，into函数是一个单一的函数。虽然我们习惯于在各种类型上使用to_csv, from_sql等方法来完成这样的功能，但接口into非常简单。开始使用into函数前，你需要：
$ pip install into > from into import into
在Github上查看into工程。
实例
现在我们展示一些更深层次的相同的实例。
将Python中的list类型转换成numpy中的array类型
> import numpy as np > into(np.ndarray, [1, 2, 3]) array([1, 2, 3])
加载CSV文件，并转换成Python中的list类型
> into(list, 'accounts.csv') [(1, 'Alice', 100), (2, 'Bob', 200), (3, 'Charlie', 300), (4, 'Denis', 400), (5, 'Edith', 500)]
将CSV文件转换成JSON格式
> into('accounts.json', 'accounts.csv')
$ head accounts.json
{"balance": 100, "id": 1, "name": "Alice"}
{"balance": 200, "id": 2, "name": "Bob"}
{"balance": 300, "id": 3, "name": "Charlie"}
{"balance": 400, "id": 4, "name": "Denis"}
{"balance": 500, "id": 5, "name": "Edith"}
将行定界的JSON格式转换成Pandas中的DataFrame格式
> import pandas as pd > into(pd.DataFrame, 'accounts.json') balance id name 0 100 1 Alice 1 200 2 Bob 2 300 3 Charlie 3 400 4 Denis 4 500 5 Edith
它是如何工作的？
格式转换是有挑战性的。任意两个数据格式之间的健壮、高效的格式转换，都充满了特殊情况和奇怪的库。常见的解决方案是通过一个通用格式，例如DataFrame或流内存列表、字典等，进行格式转换。（见dat）或者通过序列化格式，例如ProtoBuf或Thrift，进行格式转换。这些都是很好的选择，往往也是你想要的。然而有时候这样的转换是比较慢的，特别是当你在实时计算系统上转换，或面对苛刻的存储解决方案时。
考虑一个例子，在numpy.recarray和pandas.DataFrame之间进行数据迁移。我们可以非常快速地，适当地迁移这些数据。数据的字节不需要更改，只更改其周围的元数据即可。我们不需要将数据序列化到一个交换格式，或转换为中间的纯Python对象。
考虑从CSV文件迁移数据到一个PostgreSQL数据库。通过SQLAlchemy（注：一个Python环境下的数据库工具箱）使用Python迭代器，我们的迁移速度不太可能超过每秒2000条记录。然而使用PostgreSQL自带的CSV加载器，我们的迁移速度可以超过每秒50000条记录。花费一整晚的时间和花费一杯咖啡的时间进行数据迁移，是有很大区别的。然而这需要我们在特殊情况下，能足够灵活的使用特殊代码。
专门的两两互换工具往往比通用解决方案快一个数量级。
Into项目是那些成对地数据迁移组成的一个网络。我们利用下图展示这个网络：
每个节点是一种数据格式。每个定向的边是一个在两种数据格式之间转换数据的函数。into函数的一个调用，可能会遍历多个边和多个中间格式。例如，当我们将CSV文件迁移到Mongo数据库时，我们可以采取以下路径：
"htmlcode">
$ pip install --upgrade git+https://github.com/ContinuumIO/into or $ conda install into --channel blaze
然后你可能想要通过该教程的上半部分，或者阅读该文档。
又或者不阅读任何东西，只是试一试。我的希望是，这个接口很简单（只有一个函数！），用户可以自然地使用它。如果你运行中出现了问题，那么我很愿意在blaze-dev@continuum.io中听到它们。
下一篇：利用一个简单的例子窥探CPython内核的运行机制