Przejdź do głównej treści

Strona główna Python

Kurs

ETL i ELT w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 01.2026

Naucz się tworzyć skuteczne, wydajne i niezawodne potoki danych, korzystając z zasad Extract, Transform i Load.

Zacznij kurs za darmo

PythonData Engineering

4 godz.

14 filmów

53 Ćwiczenia

4,450 XP

37,235

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Wzmacnianie analityki dzięki potokom danych

Potoki danych stanowią fundament każdej solidnej platformy danych. Budowanie takich pipeline’ów to kluczowa umiejętność dla inżynierów danych, którzy wnoszą ogromną wartość do firmy gotowej wkroczyć w przyszłość opartą na danych. Ten kurs wprowadzający pomoże Ci doskonalić umiejętności potrzebne do tworzenia efektywnych, wydajnych i niezawodnych potoków danych.

Tworzenie i utrzymywanie rozwiązań ETL

W trakcie tego kursu zanurzysz się w kompletnym procesie tworzenia potoku danych. Rozwiniesz umiejętności wykorzystując biblioteki Pythona, takie jak pandas i json, aby wyodrębniać dane ze źródeł ustrukturyzowanych i nieustrukturyzowanych, zanim zostaną przekształcone i zapisane do dalszego wykorzystania. Po drodze rozwiniesz pewność siebie dzięki narzędziom i technikom, takim jak diagramy architektury, testy jednostkowe i monitorowanie, które pomogą wyróżnić Twoje potoki danych na tle innych. W miarę postępów będziesz sprawdzać swoje nowo nabyte umiejętności w praktycznych ćwiczeniach.

Przyspiesz przepływy pracy z danymi

Po ukończeniu tego kursu będziesz gotowy(-a) projektować, tworzyć i wykorzystywać potoki danych, aby znacząco usprawnić swój przepływ pracy z danymi w pracy, nowej karierze lub projekcie osobistym.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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!

Zacznij rozdział

ETL i ELT w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij ETL i ELT w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.