Ekstrakcja

Wprowadzenie do inżynierii danych

Vincent Vankrunkelsven

Data Engineer @ DataCamp

Ekstrakcja danych: co to oznacza?

Diagram przedstawiający prostą fazę ekstrakcji

Ekstrakcja z plików tekstowych

Nieustrukturyzowane

Zwykły tekst
Np. rozdział z książki

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 ....

Pliki płaskie

Wiersz = rekord
Kolumna = atrybut
Np. .tsv lub .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
Półustrukturyzowany
Atomowe
- number
- string
- boolean
- null
Złożone
- 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

Dane w sieci

Żądania

Diagram przedstawiający model żądanie-odpowiedź

Przykład

Otwarcie Google w przeglądarce
Żądanie do serwera Google
Google odpowiada stroną internetową

Dane w sieci za pomocą API

Dane wysyłane w formacie JSON
API: interfejs programowania aplikacji
Przykłady
- Twitter API

{ "statuses": [{ "created_at": "Mon May 06 20:01:29 +0000 2019", "text": "this is a tweet"}] }

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': .... }

Dane w bazach danych

Bazy danych aplikacji

Transakcje
Wstawianie lub modyfikowanie danych
OLTP
Zorientowane wierszowo

Bazy danych analitycznych

OLAP
Zorientowane kolumnowo

Ekstrakcja z baz danych

Ciąg połączenia/URI

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

Użycie w Pythonie

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)

Czas na ćwiczenia!

Wprowadzenie do inżynierii danych