Weiter zum Inhalt

Startseite Python

Kurs

ETL und ELT mit Python

MittelSchwierigkeitsgrad

Aktualisiert 01/2026

Erstelle effektive, leistungsfähige und zuverlässige Datenpipelines mithilfe der ETL-Prinzipien (Extrahieren, Transformieren, Laden).

Kurs kostenlos starten

PythonData Engineering

4 Std.

14 Videos

53 Übungen

4,450 XP

37,276

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Mit Datenpipelines die Analytik stärken

Datenpipelines sind die Grundlage jeder starken Datenplattform. Der Aufbau dieser Pipelines ist eine wichtige Fähigkeit für Data Engineers, die einen unglaublichen Wert für ein Unternehmen darstellen, das bereit ist, in eine datengesteuerte Zukunft zu gehen. In diesem Einführungskurs lernst du, wie du effektive, leistungsfähige und zuverlässige Datenpipelines aufbauen kannst.

Aufbau und Instandhaltung von ETL-Lösungen

In diesem Kurs lernst du den gesamten Prozess der Erstellung einer Datenpipeline kennen. Du lernst, wie du Python-Bibliotheken wie pandas und json nutzen kannst, um Daten aus strukturierten und unstrukturierten Quellen zu extrahieren, bevor sie umgewandelt und für eine spätere Verwendung gespeichert werden. Auf dem Weg dorthin entwickelst du vertrauenswürdige Werkzeuge und Techniken wie Architekturdiagramme, Unit-Tests und Monitoring, die dir helfen, deine Datenpipelines von anderen abzuheben. Wenn du Fortschritte machst, kannst du deine neu erworbenen Fähigkeiten in praktischen Übungen unter Beweis stellen.

Supercharge Data Workflows

Nach Abschluss dieses Kurses bist du in der Lage, Datenpipelines zu entwerfen, zu entwickeln und zu nutzen, um deinen Datenworkflow in deinem Job, deiner neuen Karriere oder deinem persönlichen Projekt zu verbessern.

Voraussetzungen

Data Warehousing Concepts Streamlined Data Ingestion with pandas

1

Introduction to Data Pipelines

Get ready to discover how data is collected, processed, and moved using data pipelines. You will explore the qualities of the best data pipelines, and prepare to design and build your own.

Introduction to ETL and ELT Pipelines

Running an ETL Pipeline

ELT in Action

ETL and ELT Pipelines

Building ETL and ELT Pipelines

Building an ETL Pipeline

The "T" in ELT

Extracting, Transforming, and Loading Student Scores Data

Kapitel starten

2

Building ETL Pipelines

Dive into leveraging pandas to extract, transform, and load data as you build your first data pipelines. Learn how to make your ETL logic reusable, and apply logging and exception handling to your pipelines.

Extracting data from structured sources

Extracting data from parquet files

Pulling data from SQL databases

Building functions to extract data

Transforming data with pandas

Filtering pandas DataFrames

Transforming sales data with pandas

Validating data transformations

Persisting data with pandas

Loading sales data to a CSV file

Customizing a CSV file

Persisting data to files

Monitoring a data pipeline

Logging within a data pipeline

Handling exceptions when loading data

Monitoring and alerting within a data pipeline

Kapitel starten

3

Advanced ETL Techniques

Supercharge your workflow with advanced data pipelining techniques, such as working with non-tabular data and persisting DataFrames to SQL databases. Discover tooling to tackle advanced transformations with pandas, and uncover best-practices for working with complex data.

Extracting non-tabular data

Ingesting JSON data with pandas

Reading JSON data into memory

Transforming non-tabular data

Iterating over dictionaries

Parsing data from dictionaries

Transforming JSON data

Transforming and cleaning DataFrames

Advanced data transformation with pandas

Filling missing values with pandas

Grouping data with pandas

Applying advanced transformations to DataFrames

Loading data to a SQL database with pandas

Loading data to a Postgres database

Validating data loaded to a Postgres Database

Kapitel starten

4

Deploying and Maintaining a Data Pipeline

In this final chapter, you’ll create frameworks to validate and test data pipelines before shipping them into production. After you’ve tested your pipeline, you’ll explore techniques to run your data pipeline end-to-end, all while allowing for visibility into pipeline performance.

Manually testing a data pipeline

Testing data pipelines

Validating a data pipeline at "checkpoints"

Testing a data pipeline end-to-end

Unit-testing a data pipeline

Validating a data pipeline with assert

Writing unit tests with pytest

Creating fixtures with pytest

Unit testing a data pipeline with fixtures

Running a data pipeline in production

Orchestration and ETL tools

Data pipeline architecture patterns

Running a data pipeline end-to-end

Congratulations!

Kapitel starten

ETL und ELT mit Python

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte ETL und ELT mit Python heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.