Extraction

Introduction à l'ingénierie des données

Vincent Vankrunkelsven

Data Engineer, DataCamp

Extraire des données : qu'est-ce que ça veut dire ?

Schéma représentant une phase d'extraction simple

Introduction à l'ingénierie des données

Extraire à partir de fichiers texte

Non structurées

  • Texte brut
  • P. ex. un chapitre de livre

 

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 ....

Fichiers plats

  • Ligne = enregistrement
  • Colonne = attribut
  • P. ex. .tsv ou .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
Introduction à l'ingénierie des données

JSON

  • JavaScript Object Notation
  • Semi-structuré
  • Atomique
    • number
    • string
    • boolean
    • null
  • Composé
    • 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
Introduction à l'ingénierie des données

Données sur le Web

Requêtes

Schéma représentant le modèle requête-réponse

Exemple

  1. Aller sur Google
  2. Requête vers le serveur Google
  3. Google répond avec une page Web
Introduction à l'ingénierie des données

Données Web via des API

  • Envoi de données au format JSON
  • API : interface de programmation d'applications
  • Exemples
    • 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': .... }
Introduction à l'ingénierie des données

Données dans des bases de données

Bases de données d'applications

  • Transactions
  • Insertions ou modifications
  • OLTP
  • Orientées lignes

Bases de données analytiques

  • OLAP
  • Orientées colonnes
Introduction à l'ingénierie des données

Extraction à partir de bases de données

Chaine/URI de connexion

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

Utilisation en Python

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)
Introduction à l'ingénierie des données

Passons à la pratique !

Introduction à l'ingénierie des données

Preparing Video For Download...