Transformera data med pandas

ETL och ELT i Python

Jake Roach

Data Engineer

Transformera data i en pipeline

Data måste transformeras korrekt för att skapa värde för användare i senare steg

Ett arbetsflöde för datatransformation.

pandas erbjuder kraftfulla verktyg för att transformera tabelldata

.loc[]
.to_datetime()

Filtrera poster med .loc[]

.loc[] gör det möjligt att transformera båda dimensionerna av en DataFrame

# Keep only non-zero entries
cleaned = raw_stock_data.loc[raw_stock_data["open"] > 0, :]

# Remove excess columns
cleaned = raw_stock_data.loc[:, ["timestamps", "open", "close"]]

# Combine into one step
cleaned = raw_stock_data.loc[raw_stock_data["open"] > 0, ["timestamps", "open", "close"]]

.iloc[] använder heltalsindexering för att filtrera DataFrames

cleaned = raw_stock_data.iloc[[0:50], [0, 1, 2]]

Ändra datatyper

Datatyper måste ofta konverteras för användning i senare steg

.to_datetime()

# "timestamps" column currectly looks like: "20230101085731"
# Convert "timestamps" column to type datetime
cleaned["timestamps"] = pd.to_datetime(cleaned["timestamps"], format="%Y%m%d%H%M%S")

Timestamp('2023-01-01 08:57:31')

# "timestamps" column currently looks like: 1681596000011
# Convert "timestamps" column to type datatime
cleaned["timestamps"] = pd.to_datetime(cleaned["timestamps"], unit="ms")

Timestamp('2023-04-15 22:00:00.011000')

Validera transformationer

Att transformera data innebär risker:

Att information går förlorad
Att felaktig data skapas

# Several ways to investigate a DataFrame
cleaned = raw_stock_data.loc[raw_stock_data["open"] > 0, ["timestamps", "open", "close"]]
print(cleaned.head())

# Return smallest and largest records
print(cleaned.nsmallest(10, ["timestamps"]))
print(cleaned.nlargest(10, ["timestamps"]))

Nu kör vi en övning!

ETL och ELT i Python