Ladda upp aggregerade rapporter för februari

I den förra övningen laddade Sam ned filerna för månaden från bucket:en med rådata.

Därefter kombinerade hon dem till en enda DataFrame som visar alla månadens ärenden och ärendetyper.

Hon sparade denna DataFrame i variabeln all_reqs och använde pandas groupby för att räkna ärenden per tjänstenamn och generera en ny DataFrame agg_df:

	service_name	count
0	72 Hour Violation	2910
1	Chain Link Fence Repair	90
2	Collections Truck Spill	30
3	Container Left Out	120
4	Dead Animal	360

Hon har redan skapat boto3 S3-klienten i variabeln s3.

Hjälp henne att publicera månadens ärendestatistik.

Skriv agg_df till CSV- och HTML-filer och ladda upp dem till S3 som publika filer.

Den här övningen är en del av kursen

Introduktion till AWS Boto i Python

Visa kurs

Övningsinstruktioner

Skriv CSV- och HTML-versioner av agg_df och namnge dem 'feb_final_report.csv' respektive 'feb_final_report.html'.
Ladda upp båda versionerna av agg_df till bucket:en gid-reports och gör dem publikt läsbara.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Write agg_df to a CSV and HTML file with no border
agg_df.____('./____')
agg_df.____('./____', border=0)

# Upload the generated CSV to the gid-reports bucket
s3.____(Filename='./feb_final_report.csv', 
	Key='2019/feb/final_report.html', Bucket='gid-reports',
    ____ = {'ACL': '____'})

# Upload the generated HTML to the gid-reports bucket
s3.upload_file(Filename='./feb_final_report.html', 
	Key='2019/feb/final_report.html', Bucket='gid-reports',
    ____ = {'ContentType': '____', 
                 '____': '____'})

Redigera och kör kod