LoslegenKostenlos loslegen

Startseite
Kurse
Einführung in NoSQL

Key-Value-Daten speichern und abrufen

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Diese Übung ist Teil des Kurses

Einführung in NoSQL

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Erkunde die Grundlagen von NoSQL-Datenbanken und wie sie in einer modernen Datenarchitektur eingesetzt werden. Lerne, Vor- und Nachteile von spaltenorientierten, dokumentenbasierten, Key-Value- und Graphdatenbanken zu erkennen, um Daten für nachgelagerte Prozesse und Datennutzer:innen bereitzustellen.

Exercise 1: Einführung in NoSQL Exercise 2: Abfragen von NoSQL-Datenbanken Exercise 3: Dokumentdaten erkunden Exercise 4: NoSQL: Use Cases und Anwendungsfälle Exercise 5: Tabellarische NoSQL-Datenspeicher Exercise 6: Spaltenorientierte Datenbanken Exercise 7: Abfragen einer spaltenorientierten Datenbank Exercise 8: Filtern einer spaltenorientierten Datenbank Exercise 9: Nicht-tabellarische NoSQL-Datenspeicher Exercise 10: Tabellarische und nicht-tabellarische NoSQL-Datenspeicher erkennen Exercise 11: Dokumentdatenbanken abfragen Exercise 12: Abfragen verschachtelter Dokumente mit Postgres JSON

Tauche mit Snowflake in spaltenorientierte Datenbanken ein. Lerne, Snowflake-Tabellen mit verschiedenen Tools zu befüllen, und verstehe die Grundlagen von Micro-Partitioning und Data Clustering, um die Abfrageleistung durch Query Pruning zu optimieren. Nutze Common Table Expressions sowie materialisierte und nicht materialisierte Views, um Analytics-Workflows zu verschlanken. Wage dich mit Snowflakes VARIANT-Typen an semi-strukturierte Daten heran.

Exercise 1: Spaltenorientierte Datenbanken befüllen Exercise 2: CREATE TABLE mit Snowflake Exercise 3: Snowflake-Tabellen befüllen Exercise 4: COPY INTO und CREATE TABLE ... AS mit Snowflake Exercise 5: Fortgeschrittene Techniken für spaltenorientierte Datenbanken Exercise 6: Mikropartitionierung und Data Clustering mit Snowflake Exercise 7: Query Pruning mit Micro-Partitioning Exercise 8: Micro-Partitioning und Data Clustering nutzen Exercise 9: Analyse-Workflows für spaltenorientierte Datenbanken Exercise 10: Common Table Expressions mit Snowflake Exercise 11: Einen Analytics-Workflow mit Snowflake aufbauen Exercise 12: Materialized vs. non-materialized VIEWs Exercise 13: Arbeiten mit semi-strukturierten Daten in Snowflake Exercise 14: Halbstrukturierte Datentypen in Snowflake Exercise 15: Abfragen semi-strukturierter Daten in Snowflake Exercise 16: Verschachtelte semi-strukturierte Daten abfragen

Tauche tief ein in die Welt der Dokumentdaten mit Postgres JSON und entdecke die Feinheiten semi-strukturierter Daten. Lerne, wie du Daten auf oberster Ebene und verschachtelte Dokumentdaten mit verschiedenen integrierten Operatoren und Funktionen extrahierst und transformierst.

Exercise 1: JSON-Daten in Postgres verstehen Exercise 2: JSON- und JSONB-Daten in Postgres Exercise 3: Abfragen mit sqlalchemy und pandas ausführen Exercise 4: JSON- und JSONB-Daten aus Postgres abfragen Exercise 5: JSON-Daten in Postgres speichern Exercise 6: Postgres mit semistrukturierten Daten befüllen Exercise 7: Tabellendaten in JSON umwandeln Exercise 8: Schlüssel aus JSON-Objekten mit Postgres extrahieren Exercise 9: JSON-Daten mit Postgres abfragen Exercise 10: Top-level-JSON-Daten abfragen Exercise 11: Den Typ von JSON-Daten ermitteln Exercise 12: Arbeiten mit verschachtelten JSON-Objekten Exercise 13: Dokumentdatenbanken mit Postgres JSON filtern Exercise 14: Fortgeschrittene Abfragetechniken für Postgres JSON Exercise 15: Pfeil- und Hash-Pfeil-Operatoren Exercise 16: #> und #>>Exercise 17: Dokumentdaten extrahieren Exercise 18: Dokumentdaten bearbeiten

Hebe deine NoSQL-Skills auf das nächste Level, indem du die Grundlagen von Key-Value-Datenbanken meisterst. Erkunde gängige Anwendungsfälle für Key-Value-Daten und lerne, wie du mit Redis und Python Daten liest und schreibst. Zum Abschluss gibt es einen kompakten Überblick über Graphdatenbanken und ihren Platz im modernen Data Stack.

Exercise 1: Einführung in Key-Value-Datenbanken Exercise 2: Key-Value-Datenbanken Exercise 3: Key-Value- vs. Dokumentdatenbanken Exercise 4: Verbindung zu einem Redis-Cluster herstellen Exercise 5: Key-Value-Daten speichern und abrufen

Aktuelle Übung

Exercise 6: Key-Value-Daten mit Redis speichern Exercise 7: Key-Value-Daten mit Redis abrufen Exercise 8: Python-Dictionaries mit Redis speichern Exercise 9: Graphdatenbanken Exercise 10: Graphdatenbanken verstehen Exercise 11: Anbieter von Graphdatenbanken Exercise 12: Graphdatenbanken verwenden Exercise 13: Zum Abschluss!