Daten in eine Postgres-Datenbank laden

Nachdem Daten aus einem Quellsystem extrahiert und so transformiert wurden, dass sie zu Analytics- oder Reporting-Anwendungsfällen passen, ist es Zeit, sie in ein endgültiges Speichermedium zu laden. Das Speichern bereinigter Daten in einer SQL-Datenbank macht es für Datennutzende einfach, darauf zuzugreifen und Abfragen auszuführen. In diesem Beispiel übst du, bereinigte Daten in eine Postgres-Datenbank zu laden.

sqlalchemy wurde importiert, und pandas ist als pd verfügbar. Die ersten Zeilen des DataFrames cleaned_testing_scores siehst du unten:

             street_address       city  math_score  ... best_score
01M539  111 Columbia Street  Manhattan       657.0      Math
02M545     350 Grand Street  Manhattan       613.0      Math
01M292     220 Henry Street  Manhattan       410.0      Math

Diese Übung ist Teil des Kurses

<Kurs>ETL und ELT in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Aktualisiere den Connection-String, um in die Datenbank schools zu schreiben, und erstelle mit sqlalchemy ein Connection-Objekt.
Verwende pandas, um den DataFrame cleaned_testing_scores in die Tabelle scores der Datenbank schools zu schreiben.
Falls die Tabelle bereits mit Daten gefüllt ist, ersetze die Werte durch den aktuellen DataFrame.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Update the connection string, create the connection object to the schools database
db_engine = sqlalchemy.____("postgresql+psycopg2://repl:password@localhost:5432/____")

# Write the DataFrame to the scores table
cleaned_testing_scores.____(
	name="____",
	con=db_engine,
	index=False,
	if_exists="____"
)

Code bearbeiten und ausführen