Niet-tabulaire data extraheren

ETL en ELT in Python

Jake Roach

Data Engineer

Niet-tabulaire data extraheren

ETL-pijplijn met de extract-stap gemarkeerd.

Typen niet-tabulaire data

De meeste geproduceerde en gebruikte data is ongestructureerd

Tekst
Audio
Afbeelding
Video
Ruimtelijk
IoT

Ongestructureerde databronnen ondergaan transformatie.

¹ https://mitsloan.mit.edu/ideas-made-to-matter/tapping-power-unstructured-data

Werken met API's en JSON-data

API (Application Programming Interface)

Software bovenop databronnen
Voorkomt directe interactie met database

Data engineer die een API gebruikt om met een database te werken.

JSON (JavaScript Object Notation)

Sleutel-waardeparen
Geen vast schema
Lijkt qua look-and-feel op dictionaries

{
    "key": "value",
    ...
    "open": 0.121875
}

JSON-bestanden lezen met pandas

{
    "timestamps": [863703000, 863789400, ...],
    "open": [0.121875, 0.098438, ...],
    "close": [...],
    "volume": [...]
}

Gebruik de functie .read_json()

# Read in a JSON file in the format above
raw_stock_data = pd.read_json("raw_stock_data.json", orient="columns")

¹ https://pandas.pydata.org/docs/reference/api/pandas.read_json.html

Geneste of ongestructureerde JSON-data

Data is niet altijd direct DataFrame-klaar

Geneste objecten
Variërend "schema"

{
    "863703000": {
        "volume": 1443120000,
        "price": {
            "close": 0.09791,
            "open": 0.12187
        }
    }, 
    "863789400": {
        ...
    }, ...
}

JSON-bestanden lezen met json

import json

with open("raw_stock_data.json", "r") as file:
    # Load the file into a dictionary
    raw_stock_data = json.load(file)

# Confirm the type of the raw_stock_data variable
print(type(raw_stock_data))

<class 'dict'>

Laten we oefenen!

ETL en ELT in Python