Carregando dados em um banco SQL com pandas

ETL e ELT em Python

Jake Roach

Data Engineer

Carregar dados em um banco SQL com pandas

Pipeline ETL com o componente de carga em destaque.

Carregando dados em um banco SQL com pandas

Consumidores de dados acessando um banco SQL.

pandas oferece .to_sql() para persistir dados em SQL

name
con
if_exists
index
index_label

Persistindo dados no Postgres com pandas

# Create a connection object
connection_uri = "postgresql+psycopg2://repl:password@localhost:5432/market"
db_engine = sqlalchemy.create_engine(connection_uri)

# Use the .to_sql() method to persist data to SQL
clean_stock_data.to_sql(
    name="filtered_stock_data",
    con=db_engine, 
    if_exists="append",
    index=True,
    index_label="timestamps"
)

Validando a persistência de dados com pandas

É importante validar se os dados foram persistidos como esperado.

Verifique se dá para consultar os dados
Confira se as contagens batem
Valide se cada linha está presente

# Pull data written to SQL table
to_validate = pd.read_sql("SELECT * FROM cleaned_stock_data", db_engine)

# Validate counts, record equality, etc
...

Vamos praticar!

ETL e ELT em Python