ETL的考慮

做 數(shù)據(jù)倉庫系統(tǒng)，ETL是關鍵的一環(huán)。說大了，ETL是數(shù)據(jù)整合解決方案，說小了，就是倒數(shù)據(jù)的工具。回憶一下工作這么些年來，處理數(shù)據(jù)遷移、轉換的工作倒 還真的不少。但是那些工作基本上是一次性工作或者很小數(shù)據(jù)量，使用access、DTS或是自己編個小程序搞定。可是在數(shù)據(jù)倉庫系統(tǒng)中，ETL上升到了一 定的理論高度，和原來小打小鬧的工具使用不同了。究竟什么不同，從名字上就可以看到，人家已經將倒數(shù)據(jù)的過程分成3個步驟，E、T、L分別代表抽取、轉換 和裝載。

其 實ETL過程就是數(shù)據(jù)流動的過程，從不同的數(shù)據(jù)源流向不同的目標數(shù)據(jù)。但在數(shù)據(jù)倉庫中，ETL有幾個特點，一是數(shù)據(jù)同步，它不是一次性倒完數(shù)據(jù)就拉到，它 是經常性的活動，按照固定周期運行的，甚至現(xiàn)在還有人提出了實時ETL的概念。二是數(shù)據(jù)量，一般都是巨大的，值得你將數(shù)據(jù)流動的過程拆分成E、T和L。 現(xiàn) 在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不說他們的好壞。從應用角度來說，ETL的過程其實不是非常復雜， 這些工具給數(shù)據(jù)倉庫工程帶來和很大的便利性，特別是開發(fā)的便利和維護的便利。但另一方面，開發(fā)人員容易迷失在這些工具中。舉個例子，VB是一種非常簡單的 語言并且也是非常易用的編程工具，上手特別快，但是真正VB的高手有多少？微軟設計的產品通常有個原則是'將使用者當作傻瓜'，在這個原則下，微軟的東西 確實非常好用，但是對于開發(fā)者，如果你自己也將自己當作傻瓜，那就真的傻了。ETL工具也是一樣，這些工具為我們提供圖形化界面，讓我們將主要的精力放在 規(guī)則上，以期提高開發(fā)效率。從使用效果來說，確實使用這些工具能夠非常快速地構建一個job來處理某個數(shù)據(jù)，不過從整體來看，并不見得他的整體效率會高多 少。問題主要不是出在工具上，而是在設計、開發(fā)人員上。他們迷失在工具中，沒有去探求ETL的本質。

可 以說這些工具應用了這么長時間，在這么多項目、環(huán)境中應用，它必然有它成功之處，它必定體現(xiàn)了ETL的本質。如果我們不透過表面這些工具的簡單使用去看它 背后蘊涵的思想，最終我們作出來的東西也就是一個個獨立的job，將他們整合起來仍然有巨大的工作量。大家都知道“理論與實踐相結合”，如果在一個領域有 所超越，必須要在理論水平上達到一定的高度。

下面看下用于ETL的Python數(shù)據(jù)轉換工具，具體內容如下所示：

前幾天，我去Reddit詢問是否應該將Python用于ETL相關的轉換，并且壓倒性的回答是'是'。

但是，盡管我的Redditor同事熱心支持使用Python，但他們建議研究Pandas以外的庫-出于對大型數(shù)據(jù)集Pandas性能的擔憂。

經過研究，我發(fā)現(xiàn)了很多用于數(shù)據(jù)轉換的Python庫：有些改進了Pandas的性能，而另一些提供了自己的解決方案。

我找不到這些工具的完整列表，所以我想我可以使用所做的研究來編譯一個工具-如果我錯過了什么或弄錯了什么，請告訴我!

Pandas

網(wǎng)站：https：//pandas.pydata.org/

總覽

Pandas當然不需要介紹，但是我還是給它一個介紹。

Pandas在Python中增加了DataFrame的概念，并在數(shù)據(jù)科學界廣泛用于分析和清理數(shù)據(jù)集。 它作為ETL轉換工具非常有用，因為它使操作數(shù)據(jù)非常容易和直觀。

優(yōu)點

廣泛用于數(shù)據(jù)處理 簡單直觀的語法 與其他Python工具(包括可視化庫)良好集成 支持常見的數(shù)據(jù)格式(從SQL數(shù)據(jù)庫，CSV文件等讀取)

缺點

由于它會將所有數(shù)據(jù)加載到內存中，因此無法擴展，并且對于非常大(大于內存)的數(shù)據(jù)集來說可能是一個錯誤的選擇

進一步閱讀

10分鐘Pandas Pandas機器學習的數(shù)據(jù)處理

Dask

網(wǎng)站：https：//dask.org/

總覽

根據(jù)他們的網(wǎng)站，' Dask是用于Python并行計算的靈活庫。'

從本質上講，Dask擴展了諸如Pandas之類的通用接口，供在分布式環(huán)境中使用-例如，Dask DataFrame模仿了。

優(yōu)點

可擴展性— Dask可以在本地計算機上運行并擴展到集群 能夠處理內存不足的數(shù)據(jù)集 即使在相同的硬件上，使用相同的功能也可以提高性能(由于并行計算) 最少的代碼更改即可從Pandas切換 旨在與其他Python庫集成

缺點

除了并行性，還有其他方法可以提高Pandas的性能(通常更為顯著) 如果您所做的計算量很小，則沒有什么好處 Dask DataFrame中未實現(xiàn)某些功能

進一步閱讀

Dask文檔 為什么每個數(shù)據(jù)科學家都應該使用Dask

Modin

網(wǎng)站：https：//github.com/modin-project/modin

總覽

Modin與Dask相似之處在于，它試圖通過使用并行性并啟用分布式DataFrames來提高Pandas的效率。 與Dask不同，Modin基于Ray(任務并行執(zhí)行框架)。

Modin優(yōu)于Dask的主要好處是Modin可以自動處理跨計算機核心分發(fā)數(shù)據(jù)(無需進行配置)。

優(yōu)點

可伸縮性— Ray比Modin提供的更多 完全相同的功能(即使在相同的硬件上)也可以提高性能 最小的代碼更改即可從Pandas切換(更改import語句) 提供所有Pandas功能-比Dask更多的'嵌入式'解決方案

缺點

除了并行性，還有其他方法可以提高Pandas的性能(通常更為顯著) 如果您所做的計算量很小，則沒有什么好處

進一步閱讀

Modin文檔 Dask和Modin有什么區(qū)別?

Petl

網(wǎng)站：https：//petl.readthedocs.io/en/stable/

總覽

petl包含了pandas的許多功能，但專為ETL設計，因此缺少額外的功能，例如用于分析的功能。 petl具有用于ETL的所有三個部分的工具，但本文僅專注于數(shù)據(jù)轉換。

盡管petl提供了轉換表的功能，但其他工具(例如pandas)似乎更廣泛地用于轉換和有據(jù)可查的文檔，因此petl對此吸引力較小。

優(yōu)點

最小化系統(tǒng)內存的使用，使其能夠擴展到數(shù)百萬行 對于在SQL數(shù)據(jù)庫之間進行遷移很有用 輕巧高效

缺點

通過很大程度地減少對系統(tǒng)內存的使用，petl的執(zhí)行速度會變慢-不建議在性能很重要的應用程序中使用 較少使用此列表中的其他解決方案進行數(shù)據(jù)處理

進一步閱讀

使用Petl快速了解數(shù)據(jù)轉換和遷移 petl轉換文檔 PySpark

網(wǎng)站：http：//spark.apache.org/

總覽

Spark專為處理和分析大數(shù)據(jù)而設計，并提供多種語言的API。 使用Spark的主要優(yōu)點是Spark DataFrames使用分布式內存并利用延遲執(zhí)行，因此它們可以使用集群處理更大的數(shù)據(jù)集，而Pandas之類的工具則無法實現(xiàn)。

如果要處理的數(shù)據(jù)非常大，并且數(shù)據(jù)操作的速度和大小很大，Spark是ETL的理想選擇。

優(yōu)點

可擴展性和對更大數(shù)據(jù)集的支持 就語法而言，Spark DataFrames與Pandas非常相似 通過Spark SQL使用SQL語法進行查詢 與其他流行的ETL工具兼容，包括Pandas(您實際上可以將Spark DataFrame轉換為Pandas DataFrame，從而使您可以使用各種其他庫) 與Jupyter筆記本電腦兼容 內置對SQL，流和圖形處理的支持

缺點

需要一個分布式文件系統(tǒng)，例如S3 使用CSV等數(shù)據(jù)格式會限制延遲執(zhí)行，需要將數(shù)據(jù)轉換為Parquet等其他格式 缺少對數(shù)據(jù)可視化工具(如Matplotlib和Seaborn)的直接支持，這兩種方法都得到了Pandas的良好支持

進一步閱讀

Python中的Apache Spark：新手指南 PySpark簡介 PySpark文檔(尤其是語法) 值得一提

盡管我希望這是一個完整的列表，但我不希望這篇文章過長!

確實有很多許多用于數(shù)據(jù)轉換的Python工具，因此我包括了這一部分，至少是我錯過的其他項目(我可能會在本文的第二部分中進一步探討這些項目)。

bonobo https://www.bonobo-project.org/ bubbles http://bubbles.databrewery.org/ pygrametl http：//chrthomsen.github.io/pygrametl/ Apache Beam https：//beam.apache.org/

結論

我希望這份清單至少可以幫助您了解Python必須提供哪些工具來進行數(shù)據(jù)轉換。 在進行了這項研究之后，我相信Python是ETL的優(yōu)秀選擇-這些工具及其開發(fā)人員使它成為了一個了不起的平臺。

到此這篇關于用于ETL的Python數(shù)據(jù)轉換工具的文章就介紹到這了,更多相關Python數(shù)據(jù)轉換工具內容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持好吧啦網(wǎng)！