抽出

データエンジニアリング入門

Vincent Vankrunkelsven

Data Engineer, DataCamp

データの抽出とは

シンプルな抽出フェーズを表す図

テキストファイルからの抽出

非構造化データ

プレーンテキスト
例: 本の1章

Call me Ishmael. Some years ago, never 
mind how long precisely, having little or
no money in my purse, and nothing particular
to interest me on shore, I thought ....

フラットファイル

行 = レコード
列 = 属性
例: .tsv や .csv

Year,Make,Model,Price
1997,Ford,E350,3000.00
1999,Chevy,"Venture Extended Edition",4900.00
1999,Chevy,"Venture Extended Edition",5000.00
1996,Jeep,Grand Cherokee,4799.00

JSON

JavaScript Object Notation
半構造化データ
アトミック型
- number
- string
- boolean
- null
複合型
- array
- object

{
  "an_object": {
    "nested": [
      "one",
      "two",
      "three",
      {
        "key": "four"
      }
    ]
  }
}

import json

result = json.loads('{"key_1": "value_1", 
                      "key_2":"value_2"}')

print(result["key_1"])

value_1

ウェブ上のデータ

リクエスト

リクエストとレスポンスのモデルを表す図

例

Google にアクセスする
Google サーバーへリクエストを送る
Google がウェブページで応答する

API を通じたウェブ上のデータ

JSON 形式でデータを送信
API: アプリケーションプログラミングインターフェース
例
- GitHub API

{ "login": "datacamp", "type": "Organization", "created_at": "2013-05-14T13:01:20Z" }

Hackernews API

import requests


response = requests.get("https://hacker-news.firebaseio.com/v0/item/16222426.json")
print(response.json())

{'by': 'neis', 'descendants': 0, 'id': 16222426, 'score': 17, 'time': 1516800333, 'title': .... }

データベース内のデータ

アプリケーションデータベース

トランザクション
挿入や変更
OLTP
行指向

分析用データベース

OLAP
列指向

データベースからの抽出

接続文字列/URI

postgresql://[user[:password]@][host][:port]

Python での利用

import sqlalchemy
connection_uri = "postgresql://repl:password@localhost:5432/pagila" 
db_engine = sqlalchemy.create_engine(connection_uri)


import pandas as pd
pd.read_sql("SELECT * FROM customer", db_engine)

練習しましょう！

データエンジニアリング入門