Trasformare i dati con pandas

ETL and ELT in Python

Jake Roach

Data Engineer

Trasformare i dati in una pipeline

I dati vanno trasformati correttamente per dare valore a chi li usa a valle

Un flusso di lavoro di trasformazione dei dati.

pandas offre strumenti potenti per trasformare dati tabellari

.loc[]
.to_datetime()

Filtrare i record con .loc[]

.loc[] permette di trasformare entrambe le dimensioni di un DataFrame

# Keep only non-zero entries
cleaned = raw_stock_data.loc[raw_stock_data["open"] > 0, :]

# Remove excess columns
cleaned = raw_stock_data.loc[:, ["timestamps", "open", "close"]]

# Combine into one step
cleaned = raw_stock_data.loc[raw_stock_data["open"] > 0, ["timestamps", "open", "close"]]

.iloc[] usa l'indicizzazione intera per filtrare i DataFrame

cleaned = raw_stock_data.iloc[[0:50], [0, 1, 2]]

Modificare i tipi di dato

Spesso i tipi di dato vanno convertiti per gli usi a valle

.to_datetime()

# "timestamps" column currectly looks like: "20230101085731"
# Convert "timestamps" column to type datetime
cleaned["timestamps"] = pd.to_datetime(cleaned["timestamps"], format="%Y%m%d%H%M%S")

Timestamp('2023-01-01 08:57:31')

# "timestamps" column currently looks like: 1681596000011
# Convert "timestamps" column to type datatime
cleaned["timestamps"] = pd.to_datetime(cleaned["timestamps"], unit="ms")

Timestamp('2023-04-15 22:00:00.011000')

Convalidare le trasformazioni

La trasformazione dei dati comporta rischi:

Perdita di informazioni
Dati errati

# Several ways to investigate a DataFrame
cleaned = raw_stock_data.loc[raw_stock_data["open"] > 0, ["timestamps", "open", "close"]]
print(cleaned.head())

# Return smallest and largest records
print(cleaned.nsmallest(10, ["timestamps"]))
print(cleaned.nlargest(10, ["timestamps"]))

Esercitiamoci!

ETL and ELT in Python