Accéder au contenu principal

Cours

ETL et ELT en Python

IntermédiaireNiveau de compétence

Actualisé 01/2026

Apprenez à créer des pipelines de données fiables et efficaces grâce aux principes d’extraction, transformation et chargement.

Commencer Le Cours Gratuitement

PythonData Engineering4 h14 vidéos53 Exercices4,450 XP35,851Certificat de réussite.

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former 2 personnes ou plus ?

Essayez DataCamp for Business

Description du cours

Renforcer l'analyse grâce aux pipelines de données

Les pipelines de données sont à la base de toute plateforme de données solide. La construction de ces pipelines est une compétence essentielle pour les ingénieurs de données, qui apportent une valeur incroyable à une entreprise prête à s'engager dans un avenir axé sur les données. Ce cours d'introduction vous aidera à perfectionner vos compétences pour construire des pipelines de données efficaces, performants et fiables.

Construire et maintenir des solutions ETL

Tout au long de ce cours, vous découvrirez le processus complet de construction d'un pipeline de données. Vous développerez vos compétences en utilisant des bibliothèques Python telles que pandas et json pour extraire des données à partir de sources structurées et non structurées avant qu'elles ne soient transformées et conservées pour une utilisation en aval. En cours de route, vous développerez des outils et des techniques de confiance tels que les diagrammes d'architecture, les tests unitaires et la surveillance qui vous aideront à distinguer vos pipelines de données des autres. Au fur et à mesure de votre progression, vous mettrez vos nouvelles compétences à l'épreuve grâce à des exercices pratiques.

Optimisez les flux de données

Après avoir suivi ce cours, vous serez prêt à concevoir, développer et utiliser des pipelines de données pour optimiser votre flux de données dans votre travail, votre nouvelle carrière ou votre projet personnel.

Prérequis

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

Commencer Le Chapitre

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

Commencer Le Chapitre

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

Commencer Le Chapitre

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!

Commencer Le Chapitre

ETL et ELT en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire Maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez ETL et ELT en Python dès aujourd'hui !

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.