您当前的位置: 白鹿网 -> 行业频道

用Pandas做ETL,不要太快

发布时间:2022-02-22 16:03   来源:TechWeb   阅读量:19618   

久违了,朋友们,来篇干货。

用Pandas做ETL,不要太快

ETL 的全称是 extract, transform, load,意思就是:提取,转换, 加载ETL 是数据分析中的基础工作,获取非结构化或难以使用的数据,把它变为干净,结构化的数据,比如导出 csv 文件,为后续的分析提供数据基础

1,提取数据

这里从电影数据 API 请求数据在开始之前,你需要获得 API 密钥来访问 API可以在这里找到获取密钥的说明

一旦你有了密钥,需要确保你没有把它直接放入你的源代码中,因此你需要创建 ETL 脚本的同一目录中创建一个名为 config.py 的文件,将此放入文件:

#config.pyapi_key =

如果要将代码发布到任何地方,应该将 config.py 放入 .gitignore 或类似文件中,以确保它不会被推送到任何远程存储库中。

还可以将 API 密钥存储为环境变量,或使用其他方法隐藏它目标是保护它不暴露在 ETL 脚本中

现在创建一个名为 tmdb.py 的文件,并导入必要的依赖:

import pandas as pdimport requestsimport config

向 API 发送单个 GET 请求的方法。在响应中,我们收到一条 JSON 记录,其中包含我们指定的 movie_id:

这里我们请求 6 部电影,电影 movie_id 从 550 到 555 不等。我们创建一个循环,一次请求每部电影一部,并将响应附加到列表中:

现在我们拿到了 response_list 这样复杂冗长的 JSON 数据,这里使用 from_dict 从记录中创建 Pandas 的 DataFrame 对象:

df = pd.DataFrame.from_dict

如果在 jupyter 上输出一下 df,你会看到这样一个数据帧:

至此,数据提取完毕。

2,转换

我们并不需要提取数据的所有这些列,所以接下来选择我们需要使用的列。

假如以下列是我们感兴趣的:

budgetidimdb_idgenresoriginal_titlerelease_daterevenueruntime

创建一个名为 df_columns 的列名称列表,以便从主数据帧中选择所需的列。

df_columns =

请注意,有一个 genres 列是长这样的:

这是一个 JSON 格式的列,我们希望扩展它。

一种比较直观的方法是将 genres 内的分类分解为多个列,如果某个电影属于这个分类,那么就在该列赋值 1,否则就置 0,就像这样:

现在我们用 pandas 来实现这个扩展效果。

首先扁平化这个 JSON 列表:

genres_list = df.tolistflat_list =

接下来,我们创建一个 genres_all 的临时列,作为电影类别的代表,我们只需要 genres 内的 name 属性,稍后把它扩展为单独的列:

result = for l in genres_list: r = for d in l: r.append) result.append(r)df = df.assign(genres_all=result)

为了完整的保存 genres 类型表,我们把它单独做为一个表:电影类型表:

df_genres = pd.DataFrame.from_records.drop_duplicates

它是这样的:

接下来,将类型名称附加到 df_columns 中,然后删除 genres 列:

df_columns = df_genre_columns = df_genres('name').to_listdf_columns.extend(df_genre_columns)s = df('genres_all').explodedf = df.join(pd.crosstab(s.index, s))

关于日期时间,我们希望将日期扩展为年,月,日,周,像这样:

那么以下代码就是干这个的:

df = pd.to_datetime(df)df('day') = df.dt.daydf('month') = df.dt.monthdf('year') = df.dt.yeardf('day_of_week') = df.dt.day_namedf_time_columns = ('id', 'release_date', 'day', 'month', 'year', 'day_of_week')3,加载

加载就很简单了,将 DataFrame 导出到 excel 或者 csv 即可。

df.to_csv('tmdb_movies.csv', index=False)df_genres.to_csv('tmdb_genres.csv', index=False)df(df_time_columns).to_csv('tmdb_datetimes.csv', index=False)

如果要导出 excel,那么就用 to_excel 函数。

最后的话

Pandas 是处理 excel 或者数据分析的利器,ETL 必备工具,本文以电影数据为例,分享了 Pandas 的常见用法。

郑重声明:此文内容为本网站转载企业宣传资讯,目的在于传播更多信息,与本站立场无关。仅供读者参考,并请自行核实相关内容。

推荐