Ekstrakcja danych nietabelarycznych

ETL i ELT w Pythonie

Jake Roach

Data Engineer

Ekstrakcja danych nietabelarycznych

Potok ETL z wyróżnionym komponentem ekstrakcji.

Typy danych nietabelarycznych

Większość produkowanych i przetwarzanych danych jest nieustrukturyzowana

Tekst
Audio
Obraz
Wideo
Dane przestrzenne
IoT

Nieustrukturyzowane źródła danych poddawane transformacji.

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

Praca z API i danymi JSON

API (Application Programming Interface)

Oprogramowanie pośredniczące między użytkownikiem a źródłami danych
Zapobiega bezpośredniemu dostępowi do bazy danych

Inżynier danych korzystający z API do interakcji z bazą danych.

JSON (JavaScript Object Notation)

Pary klucz-wartość
Brak stałego schematu
Podobny wygląd do słowników dict

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

Odczyt plików JSON z pandas

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

Użyj funkcji .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

Zagnieżdżone lub nieustrukturyzowane dane JSON

Dane nie zawsze są gotowe do DataFrame

Obiekty zagnieżdżone
Zmienny „schemat"

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

Odczyt plików JSON z 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'>

Czas na ćwiczenia!

ETL i ELT w Pythonie