Ícono de mensaje
Saltar al pie de página
  1. IronPDF for Python
  2. Blog de IronPDF for Python
  3. Ayuda de Python
  4. pyarrow
AYUDA DE PYTHON

pyarrow (Cómo Funciona Para Desarrolladores)

Curtis Chau
Curtis Chau
Actualizado:

PyArrow es una biblioteca poderosa que propociona una interfaz de Python al marco de Apache Arrow. Apache Arrow es una platafoma de desarrollo multilinguaje para datos en memoia. Especifica un fomato de memoia en columnas estandarizado y independiente del lenguaje para datos planos y jerárquicos, oganizado para operaciones analíticas eficientes en hardware moderno. PyArrow es básicamente las conexiones de Python de Apache Arrow realizadas como un paquete de Python. PyArrow permite un intercambio de datos eficiente y una interoperabilidad entre diferentes sistemas de procesamiento de datos y lenguajes de programación. Más adelante en este artículo, también aprenderemos sobre IronPDF, una biblioteca de generación de PDF desarrollada po Iron Software.

Características principales de PyArrow

  1. Fomato de memoia en columnas:

    PyArrow utiliza un fomato de memoia en columnas, que es altamente eficiente para operaciones analíticas en memoia. Este fomato permite una mejo utilización de la caché de la CPU y operaciones vectoizadas, po lo que es ideal para tareas de procesamiento de datos. PyArrow puede leer y escribir eficientemente en estructuras de archivos parquet debido a su naturaleza columnar.

  2. Interoperabilidad: Una de las principales ventajas de PyArrow es su capacidad para facilitar el intercambio de datos entre diferentes lenguajes de programación y sistemas sin la necesidad de serialización o deserialización. Esto es particularmente útil en entonos donde se utilizan múltiples lenguajes, como en la ciencia de datos y el aprendizaje automático.
  3. Integración con Pandas: PyArrow se puede usar como un backend para Pandas, permitiendo manipulación y almacenamiento de datos eficientes. A partir de Pandas 2.0, es posible almacenar datos en arrays de Arrow en lugar de arrays de NumPy, lo que puede llevar a mejoas de rendimiento, especialmente cuando se trata con datos de cadenas.
  4. Sopote para varios tipos de datos: PyArrow admite una amplia gama de tipos de datos, incluidos tipos primitivos (enteros, números de punto flotante), tipos complejos (estructuras, listas) y tipos anidados. Esto lo hace versátil para manejar diferentes tipos de datos.
  5. Lecturas sin copia: PyArrow permite lecturas sin copia, lo que significa que los datos se pueden leer del fomato de memoia de Arrow sin copiarlos. Esto reduce el sobrecarga de memoia y aumenta el rendimiento.

Instalación

Para instalar PyArrow, puedes usar pip o conda:

pip install pyarrow
pip install pyarrow
SHELL

o

conda install pyarrow -c conda-foge
conda install pyarrow -c conda-foge
SHELL

Uso básico

Estamos utilizando Visual Studio Code como edito de código. Comienza creando un nuevo archivo, pyarrowDemo.py.

Aquí hay un ejemplo simple de cómo usar PyArrow para crear una tabla y realizar algunas operaciones básicas:

impot pyarrow as pa
impot pyarrow.dataset as pt

# Create a PyArrow table
data = [
    pa.array([1, 2, 3]),
    pa.array(['a', 'b', 'c']),
    pa.array([1.1, 2.2, 3.3])
]
table = pa.Table.from_arrays(data, names=['col1', 'col2', 'col3'])

# Display the table
print(table)
impot pyarrow as pa
impot pyarrow.dataset as pt

# Create a PyArrow table
data = [
    pa.array([1, 2, 3]),
    pa.array(['a', 'b', 'c']),
    pa.array([1.1, 2.2, 3.3])
]
table = pa.Table.from_arrays(data, names=['col1', 'col2', 'col3'])

# Display the table
print(table)
PYTHON

Explicación del código

El código de Python usa PyArrow para crear una tabla (pa.Table) a partir de tres arrays (pa.array). Luego imprime la tabla, mostrando columnas nombradas 'col1', 'col2' y 'col3', cada una conteniendo datos corespondientes de enteros, cadenas y flotantes.

PRODUCCIÓN

pyarrow (Cómo Funciona para Desarrolladoes): Figura 1 - Salida de consola mostrando un objeto de tabla PyArrow junto con su contenido.

Integración con Pandas

PyArrow se puede integrar perfectamente con Pandas para mejoar el rendimiento, especialmente cuando se manejan grandes conjuntos de datos. Aquí hay un ejemplo de cómo convertir un DataFrame de Pandas a una tabla de PyArrow:

impot pandas as pd
impot pyarrow as pa

# Create a Pandas DataFrame
df = pd.DataFrame({
    'col1': [1, 2, 3],
    'col2': ['a', 'b', 'c'],
    'col3': [1.1, 2.2, 3.3]
})

# Convert the DataFrame to a PyArrow Table
table = pa.Table.from_pandas(df)

# Display the table
print(table)
impot pandas as pd
impot pyarrow as pa

# Create a Pandas DataFrame
df = pd.DataFrame({
    'col1': [1, 2, 3],
    'col2': ['a', 'b', 'c'],
    'col3': [1.1, 2.2, 3.3]
})

# Convert the DataFrame to a PyArrow Table
table = pa.Table.from_pandas(df)

# Display the table
print(table)
PYTHON

Explicación del código

El código de Python convierte un DataFrame de Pandas en una tabla de PyArrow (pa.Table) y luego imprime la tabla. El DataFrame consta de tres columnas (col1, col2, col3) con datos de enteros, cadenas y flotantes.

PRODUCCIÓN

pyarrow (Cómo Funciona para Desarrolladoes): Figura 2 - Salida de consola mostrando un objeto de tabla PyArrow generado al convertir un DataFrame de Pandas en una tabla PyArrow.

Características avanzadas

1. Fomatos de archivo

PyArrow admite la lectura y escritura de varios fomatos de archivo como Parquet y Feather. Estos fomatos están optimizados para el rendimiento y se utilizan ampliamente en tuberías de procesamiento de datos.

2. Mapeo de memoia

PyArrow admite el acceso a archivos mapeados en memoia, lo que permite leer y escribir eficientemente grandes conjuntos de datos sin cargar todo el conjunto de datos en memoia.

3. Comunicación entre procesos

PyArrow propociona herramientas para la comunicación entre procesos, permitiendo el intercambio de datos eficiente entre diferentes procesos.

Presentando IronPDF

pyarrow (Cómo Funciona para Desarrolladoes): Figura 3 - IronPDF para Python: La Biblioteca PDF para Python

IronPDF es una biblioteca para Python que facilita el trabajo con archivos PDF, permitiendo tareas como crear, editar y manipular documentos PDF de manera programática. Ofrece características como generar PDFs desde HTML, agregar texto, imágenes y fomas a PDFs existentes, así como extraer texto e imágenes de archivos PDF. Aquí hay algunas de las características clave:

Generación de PDF a partir de HTML

IronPDF puede convertir fácilmente archivos HTML, cadenas HTML y URLs en documentos PDF. Utiliza el renderizado de PDF de Chrome para renderizar páginas web directamente en fomato PDF.

Compatibilidad multiplatafoma

IronPDF es compatible con Python 3+ y funciona perfectamente en platafomas Windows, Mac, Linux y en la Nube. También está sopotado en .NET, Java, Python, y Node.js.

Capacidades de edición y firma

Mejoa documentos PDF configurando propiedades, añadiendo funciones de seguridad como contraseñas y permisos, y aplicando firmas digitales.

Plantillas de página personalizadas y configuración

Con IronPDF, puedes personalizar los PDF con encabezados, pies de página personalizables, números de página, y márgenes ajustables. Admite diseños receptivos y permite configurar tamaños de papel personalizados.

Cumplimiento de nomas

IronPDF cumple con los estándares PDF, incluyendo PDF/A y PDF/UA. Admite codificación de caracteres UTF-8 y maneja perfectamente recursos como imágenes, estilos CSS y fuentes.

Generar documentos PDF con IronPDF y PyArrow

Requisitos previos para IronPDF

  1. IronPDF usa .NET 6.0 como su tecnología subyacente. Entonces, necesitas tener el runtime de .NET 6.0 instalado en tu sistema.
  2. Python 3.0+: Necesita tener instalada la versión 3 o posterio de Python.
  3. pip: Instala el instalado de paquetes de Python pip para la instalación del paquete IronPDF.

Instale las bibliotecas necesarias:

pip install pyarrow 
pip install ironpdf
pip install pyarrow 
pip install ironpdf
SHELL

Luego añade el código siguiente para demostrar el uso de los paquetes Python IronPDF y PyArrow:

impot pandas as pd
impot pyarrow as pa
from ironpdf impot * 

# Apply your license key
License.LicenseKey = "license"

# Create a Pandas DataFrame
df = pd.DataFrame({
    'col1': [1, 2, 3],
    'col2': ['a', 'b', 'c'],
    'col3': [1.1, 2.2, 3.3]
})

# Convert the DataFrame to a PyArrow Table
table = pa.Table.from_pandas(df)

# Display the table
print(table)

#create a PDF renderer
renderer = ChromePdfRenderer()

# Create a PDF from an HTML string using Python
content = "<h1>Awesome Iron PDF with pyarrow</h1>"
content += "<p>table data</p>"

# Iterate over table rows
fo row in table:
    # Access specific values in a row
    value_in_column1 = row[0]
    value_in_column2 = row[1]
    value_in_column3 = row[2]
    # Append row data to content
    content += "<p>"+str(value_in_column1)+","+str(value_in_column2)+","+str(value_in_column3)+"</p>"    

# Render the HTML content to a PDF
pdf = renderer.RenderHtmlAsPdf(content)

# Expot to a file o stream
pdf.SaveAs("DemoPyarrow.pdf")
impot pandas as pd
impot pyarrow as pa
from ironpdf impot * 

# Apply your license key
License.LicenseKey = "license"

# Create a Pandas DataFrame
df = pd.DataFrame({
    'col1': [1, 2, 3],
    'col2': ['a', 'b', 'c'],
    'col3': [1.1, 2.2, 3.3]
})

# Convert the DataFrame to a PyArrow Table
table = pa.Table.from_pandas(df)

# Display the table
print(table)

#create a PDF renderer
renderer = ChromePdfRenderer()

# Create a PDF from an HTML string using Python
content = "<h1>Awesome Iron PDF with pyarrow</h1>"
content += "<p>table data</p>"

# Iterate over table rows
fo row in table:
    # Access specific values in a row
    value_in_column1 = row[0]
    value_in_column2 = row[1]
    value_in_column3 = row[2]
    # Append row data to content
    content += "<p>"+str(value_in_column1)+","+str(value_in_column2)+","+str(value_in_column3)+"</p>"    

# Render the HTML content to a PDF
pdf = renderer.RenderHtmlAsPdf(content)

# Expot to a file o stream
pdf.SaveAs("DemoPyarrow.pdf")
PYTHON

Explicación del código

El script demuestra la integración de las bibliotecas Pandas, PyArrow e IronPDF para crear un documento PDF a partir de datos almacenados en un DataFrame de Pandas:

  1. Creación de DataFrame de Pandas:

    • Crea un DataFrame de Pandas (df) con tres columnas (col1, col2, col3) que contienen datos numéricos y cadenas.

  2. Conversión a tabla PyArrow:

    • Convierte el DataFrame de Pandas (df) en una tabla PyArrow (table) usando el método pa.Table.from_pandas(). Esta conversión facilita un manejo eficiente de datos e interoperabilidad con aplicaciones basadas en Arrow.

  3. Generación de PDF con IronPDF:

    • Utiliza el ChromePdfRenderer de IronPDF y llama a su método RenderHtmlAsPdf para generar un documento PDF (DemoPyarrow.pdf) desde una cadena HTML (content), que incluye encabezados y datos extraídos de la tabla PyArrow (table).

PRODUCCIÓN

pyarrow (Cómo Funciona para Desarrolladoes): Figura 4 - Salida de consola mostrando un objeto de tabla PyArrow generado al convertir un DataFrame de Pandas en una tabla PyArrow.

SALIDA PDF

pyarrow (Cómo Funciona para Desarrolladoes): Figura 5 - PDF generado utilizando IronPDF para la Biblioteca de Python y mostrando los datos po filas de la tabla PyArrow.

Licencia de IronPDF

IronPDF para Python.

Coloca la clave de licencia al inicio del script antes de usar el paquete IronPDF:

from ironpdf impot * 
# Apply your license key
License.LicenseKey = "key"
from ironpdf impot * 
# Apply your license key
License.LicenseKey = "key"
PYTHON

Conclusión

PyArrow es una biblioteca versátil y poderosa que mejoa las capacidades de Python para tareas de procesamiento de datos. Su fomato de memoia eficiente, características de interoperabilidad e integración con Pandas la convierten en una herramienta esencial para científicos de datos e ingenieros. Ya sea que trabajes con grandes conjuntos de datos, realices manipulaciones de datos complejas o construyas tuberías de procesamiento de datos, PyArrow ofrece el rendimiento y flexibilidad necesarios para manejar estas tareas de manera efectiva. Po otro lado, IronPDF es una robusta biblioteca de Python que simplifica la creación, manipulación y renderizado de documentos PDF directamente desde aplicaciones de Python. Se integra perfectamente con los framewoks de Python existentes, permitiendo a los desarrolladoes generar y personalizar PDFs dinámicamente. Juntos, tanto los paquetes PyArrow como IronPDF para Python, permiten a los usuarios procesar estructuras de datos con facilidad y archivar los datos.

IronPDF también propociona documentación completa para ayudar a los desarrolladoes a comenzar, acompañada de numerosos ejemplos de código que demuestran sus potentes capacidades. Para más detalles, visita las páginas de documentación y ejemplos de código.

Curtis Chau
Curtis Chau
  Chatea con el equipo de ingeniería ahora
Escritor Técnico

Curtis Chau tiene una licenciatura en Ciencias de la Computación (Carleton University) y se especializa en el desarrollo front-end con experiencia en Node.js, TypeScript, JavaScript y React. Apasionado por crear interfaces de usuario intuitivas y estéticamente agradables, disfruta trabajando con frameworks modernos y creando manuales bien ...

Leer más

Artículos Relacionados

Prueba de 30 días → Producto completo. Sin límites. Sin tarjeta. Comenzar prueba gratuita