Ekstrakcja

Wprowadzenie do inżynierii danych

Vincent Vankrunkelsven

Data Engineer, DataCamp

Ekstrakcja danych: co to oznacza?

Diagram przedstawiający prosty etap 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
Częściowo ustrukturyzowany
Typy atomowe
- number
- string
- boolean
- null
Typy 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

Wejście na stronę Google
Żądanie do serwera Google
Google odpowiada stroną internetową

Dane w sieci poprzez API

Wysyłanie danych w formacie JSON
API: interfejs programowania aplikacji
Przykłady
- 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': .... }

Dane w bazach danych

Bazy danych aplikacji

Transakcje
Wstawianie lub zmiany danych
OLTP
Zorientowane wierszowo

Bazy analityczne

OLAP
Zorientowane kolumnowo

Ekstrakcja z baz danych

Ciąg połączenia/URI

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

Zastosowanie 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 praktykę!

Wprowadzenie do inżynierii danych