用 Pandas 做 ETL，不要太快

somenzz

发布于 2022-04-07 20:10:10

3.9K0

文章被收录于专栏：Python七号Python七号

久违了，朋友们，来篇干货。

ETL 的全称是 extract, transform, load，意思就是：提取、转换、加载。ETL 是数据分析中的基础工作，获取非结构化或难以使用的数据，把它变为干净、结构化的数据，比如导出 csv 文件，为后续的分析提供数据基础。

本文对电影数据做 ETL 为例，分享一下 Pandas 的高效使用。完整的代码请在公众号「Python七号」回复「etl」获取。

1、提取数据

这里从电影数据 API 请求数据。在开始之前，你需要获得 API 密钥来访问 API可以在这里[1]找到获取密钥的说明。

一旦你有了密钥，需要确保你没有把它直接放入你的源代码中，因此你需要创建 ETL 脚本的同一目录中创建一个名为 config.py 的文件，将此放入文件：

#config.py
api_key = <YOUR API KEY HERE>

如果要将代码发布到任何地方，应该将 config.py 放入 .gitignore 或类似文件中，以确保它不会被推送到任何远程存储库中。

还可以将 API 密钥存储为环境变量，或使用其他方法隐藏它。目标是保护它不暴露在 ETL 脚本中。

现在创建一个名为 tmdb.py 的文件，并导入必要的依赖：

import pandas as pd
import requests
import config

向 API 发送单个 GET 请求的方法。在响应中，我们收到一条 JSON 记录，其中包含我们指定的 movie_id：

API_KEY = config.api_key
url = 'https://api.themoviedb.org/3/movie/{}?api_key={}'.format(movie_id, API_KEY)

r = requests.get(url)

这里我们请求 6 部电影，电影 movie_id 从 550 到 555 不等。我们创建一个循环，一次请求每部电影一部，并将响应附加到列表中:

response_list = []
API_KEY = config.api_key

for movie_id in range(550,556):
  url = 'https://api.themoviedb.org/3/movie/{}?api_key={}'.format(movie_id, API_KEY)
  r = requests.get(url)
  response_list.append(r.json())

现在我们拿到了 response_list 这样复杂冗长的 JSON 数据，这里使用 from_dict() 从记录中创建 Pandas 的 DataFrame 对象：

df = pd.DataFrame.from_dict(response_list)

如果在 jupyter 上输出一下 df，你会看到这样一个数据帧：

至此，数据提取完毕。

2、转换

我们并不需要提取数据的所有这些列，所以接下来选择我们需要使用的列。

假如以下列是我们感兴趣的：

budget
id
imdb_id
genres
original_title
release_date
revenue
runtime

创建一个名为 df_columns 的列名称列表，以便从主数据帧中选择所需的列。

df_columns = ['budget', 'genres', 'id', 'imdb_id', 'original_title', 'release_date', 'revenue', 'runtime']

请注意，有一个 genres 列（表示电影的体裁，类型）是长这样的：

这是一个 JSON 格式的列，我们希望扩展它。

一种比较直观的方法是将 genres 内的分类分解为多个列，如果某个电影属于这个分类，那么就在该列赋值 1，否则就置 0，就像这样：

现在我们用 pandas 来实现这个扩展效果。

首先扁平化这个 JSON 列表：

genres_list = df['genres'].tolist()
flat_list = [item for sublist in genres_list for item in sublist]

接下来，我们创建一个 genres_all 的临时列，作为电影类别的代表，我们只需要 genres 内的 name 属性，稍后把它扩展为单独的列：

result = []
for l in genres_list:
    r = []
    for d in l:
        r.append(d['name'])
    result.append(r)
df = df.assign(genres_all=result)

为了完整的保存 genres 类型表，我们把它单独做为一个表：电影类型表：

df_genres = pd.DataFrame.from_records(flat_list).drop_duplicates()

它是这样的：

接下来，将类型名称附加到 df_columns 中，然后删除 genres 列：

df_columns = ['budget', 'id', 'imdb_id', 'original_title', 'release_date', 'revenue', 'runtime']
df_genre_columns = df_genres['name'].to_list()
df_columns.extend(df_genre_columns)

s = df['genres_all'].explode()
df = df.join(pd.crosstab(s.index, s))

代码的最后两行，使用了 explode、crosstab 函数来扩展多个列，其效果就是如果电影属于某个类型，该行的值就为 1，结果就是这样：

关于日期时间，我们希望将日期扩展为年、月、日、周，像这样：

那么以下代码就是干这个的：

df['release_date'] = pd.to_datetime(df['release_date'])
df['day'] = df['release_date'].dt.day
df['month'] = df['release_date'].dt.month
df['year'] = df['release_date'].dt.year
df['day_of_week'] = df['release_date'].dt.day_name()
df_time_columns = ['id', 'release_date', 'day', 'month', 'year', 'day_of_week']

3、加载

加载就很简单了，将 DataFrame 导出到 excel 或者 csv 即可。

df[df_columns].to_csv('tmdb_movies.csv', index=False)
df_genres.to_csv('tmdb_genres.csv', index=False)
df[df_time_columns].to_csv('tmdb_datetimes.csv', index=False)

如果要导出 excel，那么就用 to_excel 函数。