Erfahre mehr über die Gründe für die Existenz von dbt und wie es verwendet wird, um Daten-Transformationsprojekte zu erstellen.

Grundlagen von Git

Ausführen des dbt-Befehls

Einführung in dbt

dbt-Version

Hilfe bekommen

dbt-Nutzer

Ein dbt-Projekt erstellen

Ein dbt-Projekt initialisieren

Ein Projektprofil erstellen

Willkommen zu dbt

Lerne die Funktionsweise von dbt kennen, indem du mit Datenmodellen arbeitest und SQL-basierte Modelle innerhalb von dbt erstellst. Lerne grundlegende SQL-Modelle kennen, definiere Abhängigkeiten, aktualisiere und behebe verschiedene Modellprobleme.

Dein erstes Projekt

dbt-Projekt-Workflow

Ein Projekt ausführen

Was ist ein dbt-Modell?

Merkmale eines Datenmodells

Ein dbt-Modell erstellen

Aktualisierung von dbt-Modellen

Konfigurationsdateien

Aktualisierung eines dbt-Modells

dbt-Projekte und Modelle

Lerne, wie du Jinja-Templates verwendest, um dbt-Modelle zu vereinfachen und hierarchische Abhängigkeiten mit der `ref`-Funktion zu definieren, um die korrekte Modellausführung sicherzustellen.

Erstellen und Generieren von dbt-Dokumentation

dbt docs-Befehlsoptionen

dbt-Dokumentationsprozess

dbt-Dokumentationsablauf

nyc_yellow_taxi:
  outputs:
    dev:
      type: duckdb
      path: dbt.duckdb
  target: dev



# Name your project! Project names should contain only lowercase characters
# and underscores. A good package name should reflect your organization's
# name or the intended use of these models
name: 'taxi_project'
version: '1.0.0'
config-version: 2

# This setting configures which "profile" dbt uses for this project.
profile: 'nyc_yellow_taxi'

# These configurations specify where dbt should look for different types of files.
# The `model-paths` config, for example, states that models in this project can be
# found in the "models/" directory. You probably won't need to change these!
model-paths: ["models"]
analysis-paths: ["analyses"]
test-paths: ["tests"]
seed-paths: ["seeds"]
macro-paths: ["macros"]
snapshot-paths: ["snapshots"]

target-path: "target"  # directory which will store compiled SQL files
clean-targets:         # directories to be removed by `dbt clean`
  - "target"
  - "dbt_packages"


# Configuring models
# Full documentation: https://docs.getdbt.com/docs/configuring-models

# In this example config, we tell dbt to build all models in the example/
# directory as views. These settings can be overridden in the individual model
# files using the `{{ config(...) }}` macro.
models:
  nyc_yellow_taxi:
  # Config indicated by + and applies to all files under models/example/
    taxi_rides:
    +materialized: view


{{ config(materialized='view')}}


with source_data as (
    select * from read_parquet('yellow_tripdata_2023-01-partial.parquet')
)

select * from source_data


version: 2

models:
  - name: taxi_rides_raw
    description: ____
    access: public


Run the following commands in the terminal:

dbt docs generate
dbt docs serve

version: 2

models:
  - name: taxi_rides_raw
    description: Initial import of the NYC Yellow Taxi trip data from Parquet source
    access: public


Erstellen einer dbt-Dokumentation

Jinja-Vorlagen

Was kann Jinja?


# Name your project! Project names should contain only lowercase characters
# and underscores. A good package name should reflect your organization's
# name or the intended use of these models
name: 'nyc_yellow_taxi'
version: '1.0.0'
config-version: 2

# This setting configures which "profile" dbt uses for this project.
profile: 'nyc_yellow_taxi'

# These configurations specify where dbt should look for different types of files.
# The `model-paths` config, for example, states that models in this project can be
# found in the "models/" directory. You probably won't need to change these!
model-paths: ["models"]
analysis-paths: ["analyses"]
test-paths: ["tests"]
seed-paths: ["seeds"]
macro-paths: ["macros"]
snapshot-paths: ["snapshots"]

target-path: "target"  # directory which will store compiled SQL files
clean-targets:         # directories to be removed by `dbt clean`
  - "target"
  - "dbt_packages"


# Configuring models
# Full documentation: https://docs.getdbt.com/docs/configuring-models

# In this example config, we tell dbt to build all models in the example/
# directory as views. These settings can be overridden in the individual model
# files using the `{{ config(...) }}` macro.
#models:
#  nyc_yellow_taxi:
#  # Config indicated by + and applies to all files under models/example/
#    taxi_rides:
#    +materialized: view
    



select * from 'yellow_tripdata_2023-01-partial.parquet'



select
{% for column_name in ['fare_amount', 'tip_amount', 'tolls_amount', 'total_amount'] %}
  {{column_name}}{% if not loop.last %},{% endif %}
{% endfor %}
from taxi_rides_raw
   

Run the following commands in the terminal:
  
  dbt run
  

Eine Jinja-Vorlage verarbeiten

Hierarchische Modelle in dbt

Reihenfolge der Modellerstellung

Hierarchische Modellerstellung


-- Update SQL to use Jinja reference
select 
   date_part('day', tpep_pickup_datetime) as day,
   count(*) as total_riders
-- Update the line below to use a Jinja function
from taxi_rides_raw
where payment_type = 1
group by day


#!/usr/bin/env python3
import duckdb
con = duckdb.connect('dbt.duckdb', read_only=True)
print(con.sql('select * from creditcard_riders_by_day'))
if (con.execute('select * from creditcard_riders_by_day').fetchall()[0][1] == 54743):
  with open('/home/repl/workspace/successful_data_check', 'w') as f:
    f.write('54743')
    


Run the following commands in the terminal:
dbt run
dbt run -f



# Name your project! Project names should contain only lowercase characters
# and underscores. A good package name should reflect your organization's
# name or the intended use of these models
name: 'nyc_yellow_taxi'
version: '1.0.0'
config-version: 2

# This setting configures which "profile" dbt uses for this project.
profile: 'nyc_yellow_taxi'

# These configurations specify where dbt should look for different types of files.
# The `model-paths` config, for example, states that models in this project can be
# found in the "models/" directory. You probably won't need to change these!
model-paths: ["models"]
analysis-paths: ["analyses"]
test-paths: ["tests"]
seed-paths: ["seeds"]
macro-paths: ["macros"]
snapshot-paths: ["snapshots"]

target-path: "target"  # directory which will store compiled SQL files
clean-targets:         # directories to be removed by `dbt clean`
  - "target"
  - "dbt_packages"


# Configuring models
# Full documentation: https://docs.getdbt.com/docs/configuring-models

# In this example config, we tell dbt to build all models in the example/
# directory as views. These settings can be overridden in the individual model
# files using the `{{ config(...) }}` macro.
models:
  nyc_yellow_taxi:
  # Config indicated by + and applies to all files under models/example/
    taxi_rides:
    +materialized: view



-- Update SQL to use Jinja reference
select 
   date_part('day', tpep_pickup_datetime) as day,
   count(*) as total_riders
-- Update the line below to use a Jinja function
from {{ ref('taxi_rides_raw') }}
where payment_type = 1
group by day


Modellhierarchien aktualisieren

Mehr zu dbt Modellen

Dieser Kurs führt dich in dbt (data build tool) ein. Es ist ein beliebtes Tool, das zur Entstehung von Analytics Engineering für die Erstellung und Wartung von extract, transform, and load (ELT) Pipelines beigetragen hat. Du lernst, Data Warehouses zu erstellen, Data Modeling und Transformationen durchzuführen und Tests zu entwerfen, um Datenvalidierungen durchzuführen. Du wirst SQL und Shell-Befehle verwenden, um mit dbt eine Vielzahl von Aufgaben auszuführen, und erkunden, wie du eine Dokumentation für die Nutzer deines Warehouses generierst!

dbt, das Data Build Tool, hat die Datenwelt im Sturm erobert. In diesem Kurs lernst du die Konzepte, Begriffe und Methoden von dbt kennen, um ein Beispiel-Data-Warehouse zu erstellen. Du lernst, was DBT ist, wann man es nutzen sollte und welche Best Practices es bei der Implementierung von Data Warehousing gibt. Du arbeitest mit echten Datensätzen und machst Extraktions-, Lade- und Transformationsvorgänge, wie sie in den Bereichen Datenanalyse, Datenengineering und Analytik-Engineering gemacht werden.

Die Lernenden werden die Fähigkeiten entwickeln, ein Data Warehouse von Grund auf zu definieren, Daten zu modellieren und zu transformieren sowie Tests zu erstellen! Dieser Kurs gibt dir eine solide Basis für deine DBT-Reise, egal welche Art von Data Warehouse du einrichten willst. Gewinne Sicherheit im Umgang mit dbt, indem du Übungen mit SQL- und shell-Befehlen machst.

Data Warehousing Concepts

Introduction to Shell

Joining Data in SQL

Dieser Kurs führt in dbt für Datenmodellierung, Transformationen, Tests und Dokumentation ein.

Dieser Kurs zeigt dir, wie du DBT für die Datenmodellierung, Transformationen, Tests und das Erstellen von Dokumentationen nutzt.

dbt Grundlagen

Professioneller Dateningenieur in Python

Dokumentation zu Modellen, Tests usw. hinzufügen

`dbt run` verwenden, um Modelle zu generieren

`dbt docs generate` ausführen, um die Dokumentationsdateien zu generieren

Über den Webbrowser auf die Dokumentation zugreifen

dbt-Dokumentationsablauf

Interaktive praktische Übung