Ir al contenido principal

Curso

ETL y ELT en Python

IntermedioNivel de habilidad

Actualizado 1/2026

Aprende a crear pipelines de datos eficaces, fiables y de alto rendimiento utilizando los principios de extracción, transformación y carga.

Comienza El Curso Gratis

PythonData Engineering4 h14 vídeos53 Ejercicios4,450 XP35,875Certificado de logros

Crea Tu Cuenta Gratuita

o

Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.

Preferido por estudiantes en miles de empresas

¿Formar a 2 o más personas?

Probar DataCamp for Business

Descripción del curso

Potenciar la analítica con canalizaciones de datos

Los conductos de datos son la base de toda plataforma de datos sólida. La construcción de estas canalizaciones es una habilidad esencial para los ingenieros de datos, que aportan un valor increíble a una empresa preparada para dar el paso hacia un futuro impulsado por los datos. Este curso introductorio te ayudará a perfeccionar las habilidades necesarias para construir canalizaciones de datos eficaces, eficaces y fiables.

Creación y mantenimiento de soluciones ETL

A lo largo de este curso, te sumergirás en el proceso completo de construcción de una canalización de datos. Desarrollarás tus habilidades aprovechando bibliotecas de Python como pandas y json para extraer datos de fuentes estructuradas y no estructuradas antes de transformarlos y almacenarlos para su uso posterior. Por el camino, desarrollarás herramientas y técnicas de confianza, como diagramas de arquitectura, pruebas unitarias y supervisión, que te ayudarán a diferenciar tus canalizaciones de datos del resto. A medida que avances, pondrás a prueba tus nuevas habilidades con ejercicios prácticos.

Supercarga los flujos de trabajo de datos

Tras completar este curso, estarás preparado para diseñar, desarrollar y utilizar canalizaciones de datos para potenciar tu flujo de trabajo de datos en tu trabajo, nueva carrera o proyecto personal.

Requisitos previos

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

Iniciar Capítulo

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

Iniciar Capítulo

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

Iniciar Capítulo

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!

Iniciar Capítulo

ETL y ELT en Python

Curso
completo

Obtener certificado de logros

Añade esta certificación a tu perfil de LinkedIn o a tu currículum.
Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete Ahora

¡Únete a 19 millones de estudiantes y empieza ETL y ELT en Python hoy mismo!

Crea Tu Cuenta Gratuita

o

Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.

Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp

Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.