Transformarea datelor non-tabulare

ETL și ELT în Python

Jake Roach

Data Engineer

Transformarea datelor non-tabulare

Pipeline ETL cu componenta de transformare evidențiată.

Stocarea datelor în dicționare

JSON imbricat

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

Obiectiv:

Convertește dicționarul într-un format pregătit pentru DataFrame

[
    [863703000, 0.12187, 0.09791, 1443120000],
    [863789400, 0.09843, ...]
]

Iterarea prin componentele unui dicționar

# Loop over keys
for key in raw_data.keys():
    ...

# Loop over values
for value in raw_data.values():
    ...

# Loop over keys and values
for key, value in raw_data.items():
    ...

.keys()

Creează o listă cu cheile stocate într-un dicționar

.values()

Creează o listă cu valorile stocate într-un dicționar

.items()

Generează o listă de tupluri, formate din perechile cheie-valoare

Extragerea datelor din dicționare

entry = {
    "volume": 1443120000,
    "price": {
        "open": 0.12187,
        "close": 0.09791,
    }
}

# Parse data from dictionary using .get()
volume = entry.get("volume")

ticker = entry.get("ticker", "DCMP")

# Call .get() twice to return the nested "open" value
open_price = entry.get("price").get("open", 0)

Crearea unui DataFrame dintr-o listă de liste

Transmite o listă de liste către pd.DataFrame()

# Pass a list of lists to pd.DataFrame
raw_data = pd.DataFrame(flattened_rows)

Setează antetele coloanelor cu .columns

# Create columns
raw_data.columns = ["timestamps", "open", "close", "volume"]

Setează un index cu .set_index()

# Set the index column to be "timestamps"
raw_data.set_index("timestamps")

Transformarea datelor bursiere

parsed_stock_data = []

# Loop through each key-value pair of the raw_stock_data dictionary
for timestamp, ticker_info in raw_stock_data.items():
    parsed_stock_data.append([
        timestamp,
        ticker_info.get("price", {}).get("open", 0),  # Parse the opening price
        ticker_info.get("price", {}).get("close", 0),  # Parse the closing price
        ticker_info.get("volume", 0)  # Parse the volume
    ])

# Create a DataFrame, assign column names, and set an index
transformed_stock_data = pd.DataFrame(parsed_stock_data)
transformed_stock_data.columns = ["timestamps", "open", "close", "volume"]
transformed_stock_data = transformed_stock_data.set_index("timestamps")

Hai să exersăm!

ETL și ELT în Python