Inicio
Cursos
ETL y ELT en Python

Persistencia de datos con pandas

Este ejercicio forma parte del curso

ETL y ELT en Python

IntermedioNivel de habilidad

4.8+

Prepárate para descubrir cómo se recopilan, procesan y mueven los datos utilizando canalizaciones de datos. Explorarás las cualidades de los mejores conductos de datos, y te prepararás para diseñar y construir el tuyo propio.

Exercise 1: Introducción a las tuberías ETL y ELT Exercise 2: Ejecutar un ETL Pipeline Exercise 3: ELT en acción Exercise 4: Pipelines ETL y ELT Exercise 5: Construir tuberías ETL y ELT Exercise 6: Construir un ETL Pipeline Exercise 7: La "T" de ELT Exercise 8: Extraer, transformar y cargar datos de puntuaciones de alumnos

Sumérgete en el aprovechamiento de pandas para extraer, transformar y cargar datos mientras construyes tus primeras canalizaciones de datos. Aprende a hacer que tu lógica ETL sea reutilizable, y aplica el registro y la gestión de excepciones a tus canalizaciones.

Exercise 1: Extraer datos de fuentes estructuradas Exercise 2: Extraer datos de archivos parquet Exercise 3: Extraer datos de bases de datos SQL Exercise 4: Construir funciones para extraer datos Exercise 5: Transformar datos con pandas Exercise 6: Filtrar DataFrames de pandas Exercise 7: Transformar datos de ventas con pandas Exercise 8: Validar las transformaciones de datos Exercise 9: Persistencia de datos con pandas

Ejercicio actual

Exercise 10: Cargar datos de ventas en un archivo CSV Exercise 11: Personalizar un archivo CSV Exercise 12: Persistencia de datos en ficheros Exercise 13: Supervisar una canalización de datos Exercise 14: Registro en un canal de datos Exercise 15: Tratamiento de excepciones al cargar datos Exercise 16: Supervisión y alerta dentro de un canal de datos

Potencia tu flujo de trabajo con técnicas avanzadas de canalización de datos, como el trabajo con datos no tabulares y la persistencia de DataFrames en bases de datos SQL. Descubre herramientas para abordar transformaciones avanzadas con pandas, y descubre las mejores prácticas para trabajar con datos complejos.

Exercise 1: Extraer datos no tabulares Exercise 2: Ingesta de datos JSON con pandas Exercise 3: Lectura de datos JSON en memoria Exercise 4: Transformar datos no tabulares Exercise 5: Iterar sobre diccionarios Exercise 6: Análisis sintáctico de datos de diccionarios Exercise 7: Transformar datos JSON Exercise 8: Transformar y limpiar DataFrames Exercise 9: Transformación avanzada de datos con pandas Exercise 10: Rellenar valores perdidos con pandas Exercise 11: Agrupar datos con pandas Exercise 12: Aplicar transformaciones avanzadas a DataFrames Exercise 13: Carga de datos en una base de datos SQL con pandas Exercise 14: Cargar datos en una base de datos Postgres Exercise 15: Validar los datos cargados en una base de datos Postgres

En este último capítulo, crearás marcos para validar y probar las canalizaciones de datos antes de enviarlas a producción. Después de haber probado tu canalización, explorarás técnicas para ejecutar tu canalización de datos de extremo a extremo, todo ello permitiendo la visibilidad del rendimiento de la canalización.