Извлечение нетабличных данных

ETL и ELT в Python

Jake Roach

Data Engineer

Извлечение нетабличных данных

ETL-конвейер с выделенным этапом извлечения.

Типы нетабличных данных

Большая часть создаваемых и используемых данных — неструктурированные

Текст
Аудио
Изображения
Видео
Пространственные данные
IoT

Источники неструктурированных данных в процессе преобразования.

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

Работа с API и данными JSON

API (Application Programming Interface)

Программное обеспечение поверх источников данных
Исключает прямое взаимодействие с базой данных

Инженер данных использует API для взаимодействия с базой данных.

JSON (JavaScript Object Notation)

Пары «ключ-значение»
Нет фиксированной схемы
Похожи на dict-словари

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

Чтение файлов JSON с помощью pandas

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

Используйте функцию .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

Вложенные или неструктурированные данные JSON

Данные не всегда готовы для DataFrame

Вложенные объекты
Разная «схема»

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

Чтение файлов JSON с помощью 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'>

Давайте потренируемся!

ETL и ELT в Python