In einer datengetriebenen Welt ist es entscheidend, aus Rohdaten wertvolle Erkenntnisse zu gewinnen – für Unternehmen genauso wie für die Forschung. Genau hier kommt DataLab ins Spiel: Das vollständig verwaltete, kollaborative Datennotizbuch von DataCamp vereinfacht Analysen und macht das Teilen mit Kolleginnen und Kollegen, Partnern oder Kundinnen und Kunden kinderleicht – ganz ohne Konfigurationsaufwand.
Weil SQL in vielen Datenprojekten weiterhin das Fundament bildet, haben wir die SQL-Funktionen in DataLab noch einmal deutlich ausgebaut.
CSV-Dateien und DataFrames abfragen
Viele DataCamp-Nutzerinnen und -Nutzer stehen am Anfang ihrer Data-Science-Reise und haben keinen Zugang zu einer eigenen Datenbank oder einem Data Warehouse. Stattdessen möchten sie mit einer CSV-Datei arbeiten, die sie online gefunden oder lokal hochgeladen haben. Auch bei unseren eigenen, von DataLab unterstützten Live-Trainings sind wir an diese Grenze gestoßen: Für jedes SQL-Training erst eine Datenbank aufzusetzen, war umständlich.
Diese Zeiten sind vorbei! Mit der SQL-Zelle im DataLab-Notebook kannst du CSV-Dateien direkt abfragen. Deine CSV-Datei wird damit effektiv wie eine Datenbank behandelt, die du wie jede andere Datenbank abfragen kannst. Probiere es hier aus
Das Feature kommt hervorragend an, weil die CSV-Unterstützung den kompletten Datenbank-Setup überflüssig macht. Andere schätzen die Workflows mit DataFrame-SQL, bei denen sie flexibel zwischen SQL und Python wechseln und so das Beste aus beiden Sprachen kombinieren.
So funktioniert's
Die neue Funktion basiert auf DuckDB. Als „SQLite für Analytics“ bezeichnet, kann diese eingebettete analytische Datenbank-Engine CSV-Dateien mit hervorragender Performance abfragen. Wenn Nutzerinnen und Nutzer „DataFrames and CSVs“ auswählen, sendet DataLab die Abfrage nicht wie gewohnt an ein Data Warehouse, sondern übersetzt sie in Python-Code, der die DuckDB Python API in der Session aufruft und den resultierenden DataFrame zurückgibt.
Neben CSV-Dateien können wir mit DuckDB auch In-Memory-DataFrames abfragen, die weiter oben im Notebook erstellt wurden. Das ermöglicht sehr leistungsfähige Workflows, zum Beispiel:
- Frage eine CSV-Datei in einer SQL-Zelle ab. Das Ergebnis steht als pandas-DataFrame bereit.
- Nutze pandas-Funktionen, um die Daten zu bereinigen und umzuformen – Dinge, die in SQL aufwendiger wären. Speichere das Ergebnis als neuen DataFrame.
- Frage den resultierenden DataFrame mit SQL ab, um Aggregationen zu berechnen – dank SQLs GROUP BY besonders unkompliziert.
Weitere Verbesserungen
Autocomplete für Tabellen- und Spaltennamen
Bei CSV- und DataFrame-Support haben wir nicht aufgehört. SQL-Queries zu schreiben kann mühsam sein, vor allem bei großen Datenbanken mit vielen Tabellen und Spalten. Damit es leichter wird, haben wir in DataLab eine Autovervollständigung für Tabellen- und Spaltennamen eingeführt. Während du tippst, schlägt dir das System passende Tabellen- und Spaltennamen vor, hilft Tippfehler zu vermeiden und spart Zeit.
Das steigert nicht nur die Produktivität, sondern reduziert auch Fehler. Ob erfahrener SQL-Profi oder Einsteiger, mit der Autovervollständigung schreibst du schneller bessere Abfragen.
Verbesserter Schema-Browser
Um das Navigieren in deinen verbundenen Datenbanken zu erleichtern, haben wir den Schema-Browser in DataLab überarbeitet. Du siehst jetzt alle Tabellen einer verbundenen Datenbank auf einen Blick, kannst sie durchsuchen und mit wenigen Klicks eine Vorschau der Inhalte anzeigen.
Der verbesserte Schema-Browser hilft dir, effizienter mit deinen Daten zu arbeiten: weniger Suchen nach der richtigen Tabelle oder Spalte, mehr Zeit für echte Erkenntnisse.
SQL-Abfragen parametrisieren
Beim Arbeiten mit SQL willst du deine Abfragen manchmal dynamisch an Ergebnisse vorheriger Berechnungen oder andere Daten im Notebook anpassen. DataLab unterstützt das jetzt mit SQL-Parametrisierung: So kannst du Variablen direkt in deine SQL-Queries einfügen.
Mehr Integrationen für Datenbanken und Data Warehouses
Du solltest nahtlos auf deine Daten zugreifen können – egal, wo sie liegen. In einer SQL-Zelle kannst du in DataCamp bereits alle gängigen Datenbanken und Data Warehouses abfragen, darunter PostgreSQL, MySQL, Redshift, Oracle, SQL Server, BigQuery und Athena. Wir fügen laufend weitere Integrationen hinzu, zum Beispiel Snowflake und ClickHouse, damit wir alle Datenstacks und Use Cases abdecken.
Analytics schneller und angenehmer machen
Bei DataCamp wollen wir deine Datenanalyse so reibungslos und angenehm wie möglich machen. Mit diesen SQL-Verbesserungen ist DataLab noch besser aufgestellt, damit du das volle Potenzial deiner Daten ausschöpfen kannst. Ob Data Scientist, Business Analyst oder einfach datenaffin – DataLab hilft dir, Workflows zu straffen und Analysen auf das nächste Level zu heben. Probier die neuen Features aus und überzeuge dich selbst!
In der Zwischenzeit treiben wir die Grenzen der Datenanalyse weiter voran und erschließen neue Möglichkeiten für Erkenntnisse – mit Notebook-Scheduling, Dark Mode, nativer dbt-Unterstützung, erweitertem Dashboarding und vielem mehr! Gibt es etwas, das wir verbessern sollten? Oder etwas, auf das du dich besonders freust? Sag uns Bescheid unter rocketship@datacamp.com! Danke!