用于ETL的Python数据转换工具详解

ETL的考虑  

    做 数据仓库系统，ETL是关键的一环。说大了，ETL是数据整合解决方案，说小了，就是倒数据的工具。回忆一下工作这么些年来，处理数据迁移、转换的工作倒 还真的不少。但是那些工作基本上是一次性工作或者很小数据量，使用access、DTS或是自己编个小程序搞定。可是在数据仓库系统中，ETL上升到了一 定的理论高度，和原来小打小闹的工具使用不同了。究竟什么不同，从名字上就可以看到，人家已经将倒数据的过程分成3个步骤，E、T、L分别代表抽取、转换 和装载。

    其 实ETL过程就是数据流动的过程，从不同的数据源流向不同的目标数据。但在数据仓库中，ETL有几个特点，一是数据同步，它不是一次性倒完数据就拉到，它 是经常性的活动，按照固定周期运行的，甚至现在还有人提出了实时ETL的概念。二是数据量，一般都是巨大的，值得你将数据流动的过程拆分成E、T和L。
    现 在有很多成熟的工具提供ETL功能，例如datastage、powermart等，且不说他们的好坏。从应用角度来说，ETL的过程其实不是非常复杂， 这些工具给数据仓库工程带来和很大的便利性，特别是开发的便利和维护的便利。但另一方面，开发人员容易迷失在这些工具中。举个例子，VB是一种非常简单的 语言并且也是非常易用的编程工具，上手特别快，但是真正VB的高手有多少？微软设计的产品通常有个原则是"将使用者当作傻瓜"，在这个原则下，微软的东西 确实非常好用，但是对于开发者，如果你自己也将自己当作傻瓜，那就真的傻了。ETL工具也是一样，这些工具为我们提供图形化界面，让我们将主要的精力放在 规则上，以期提高开发效率。从使用效果来说，确实使用这些工具能够非常快速地构建一个job来处理某个数据，不过从整体来看，并不见得他的整体效率会高多 少。问题主要不是出在工具上，而是在设计、开发人员上。他们迷失在工具中，没有去探求ETL的本质。 

    可 以说这些工具应用了这么长时间，在这么多项目、环境中应用，它必然有它成功之处，它必定体现了ETL的本质。如果我们不透过表面这些工具的简单使用去看它 背后蕴涵的思想，最终我们作出来的东西也就是一个个独立的job，将他们整合起来仍然有巨大的工作量。大家都知道“理论与实践相结合”，如果在一个领域有 所超越，必须要在理论水平上达到一定的高度。

下面看下用于ETL的Python数据转换工具，具体内容如下所示：

前几天，我去Reddit询问是否应该将Python用于ETL相关的转换，并且压倒性的回答是"是"。

但是，尽管我的Redditor同事热心支持使用Python，但他们建议研究Pandas以外的库-出于对大型数据集Pandas性能的担忧。

经过研究，我发现了很多用于数据转换的Python库：有些改进了Pandas的性能，而另一些提供了自己的解决方案。

我找不到这些工具的完整列表，所以我想我可以使用所做的研究来编译一个工具-如果我错过了什么或弄错了什么，请告诉我!

Pandas

网站：https：//pandas.pydata.org/

总览

Pandas当然不需要介绍，但是我还是给它一个介绍。

Pandas在Python中增加了DataFrame的概念，并在数据科学界广泛用于分析和清理数据集。 它作为ETL转换工具非常有用，因为它使操作数据非常容易和直观。

优点

• 广泛用于数据处理
• 简单直观的语法
• 与其他Python工具(包括可视化库)良好集成
• 支持常见的数据格式(从SQL数据库，CSV文件等读取)

缺点

• 由于它会将所有数据加载到内存中，因此无法扩展，并且对于非常大(大于内存)的数据集来说可能是一个错误的选择

进一步阅读

• 10分钟Pandas
• Pandas机器学习的数据处理

Dask

网站：https：//dask.org/

总览

根据他们的网站，" Dask是用于Python并行计算的灵活库。"

从本质上讲，Dask扩展了诸如Pandas之类的通用接口，供在分布式环境中使用-例如，Dask DataFrame模仿了。

优点

• 可扩展性— Dask可以在本地计算机上运行并扩展到集群
• 能够处理内存不足的数据集
• 即使在相同的硬件上，使用相同的功能也可以提高性能(由于并行计算)
• 最少的代码更改即可从Pandas切换
• 旨在与其他Python库集成

缺点

• 除了并行性，还有其他方法可以提高Pandas的性能(通常更为显着)
• 如果您所做的计算量很小，则没有什么好处
• Dask DataFrame中未实现某些功能

进一步阅读

• Dask文档
• 为什么每个数据科学家都应该使用Dask

Modin

网站：https：//github.com/modin-project/modin

总览

Modin与Dask相似之处在于，它试图通过使用并行性并启用分布式DataFrames来提高Pandas的效率。 与Dask不同，Modin基于Ray(任务并行执行框架)。

Modin优于Dask的主要好处是Modin可以自动处理跨计算机核心分发数据(无需进行配置)。

优点

• 可伸缩性— Ray比Modin提供的更多
• 完全相同的功能(即使在相同的硬件上)也可以提高性能
• 最小的代码更改即可从Pandas切换(更改import语句)
• 提供所有Pandas功能-比Dask更多的"嵌入式"解决方案

缺点

• 除了并行性，还有其他方法可以提高Pandas的性能(通常更为显着)
• 如果您所做的计算量很小，则没有什么好处

进一步阅读

• Modin文档
• Dask和Modin有什么区别?

Petl

网站：https：//petl.readthedocs.io/en/stable/

总览

petl包含了pandas的许多功能，但专为ETL设计，因此缺少额外的功能，例如用于分析的功能。 petl具有用于ETL的所有三个部分的工具，但本文仅专注于数据转换。

尽管petl提供了转换表的功能，但其他工具(例如pandas)似乎更广泛地用于转换和有据可查的文档，因此petl对此吸引力较小。

优点

• 最小化系统内存的使用，使其能够扩展到数百万行
• 对于在SQL数据库之间进行迁移很有用
• 轻巧高效

缺点

• 通过很大程度地减少对系统内存的使用，petl的执行速度会变慢-不建议在性能很重要的应用程序中使用
• 较少使用此列表中的其他解决方案进行数据处理

进一步阅读

1. 使用Petl快速了解数据转换和迁移
2. petl转换文档 PySpark

网站：http：//spark.apache.org/

总览

Spark专为处理和分析大数据而设计，并提供多种语言的API。 使用Spark的主要优点是Spark DataFrames使用分布式内存并利用延迟执行，因此它们可以使用集群处理更大的数据集，而Pandas之类的工具则无法实现。

如果要处理的数据非常大，并且数据操作的速度和大小很大，Spark是ETL的理想选择。

优点

• 可扩展性和对更大数据集的支持
• 就语法而言，Spark DataFrames与Pandas非常相似
• 通过Spark SQL使用SQL语法进行查询
• 与其他流行的ETL工具兼容，包括Pandas(您实际上可以将Spark DataFrame转换为Pandas DataFrame，从而使您可以使用各种其他库)
• 与Jupyter笔记本电脑兼容
• 内置对SQL，流和图形处理的支持

缺点

• 需要一个分布式文件系统，例如S3
• 使用CSV等数据格式会限制延迟执行，需要将数据转换为Parquet等其他格式
• 缺少对数据可视化工具(如Matplotlib和Seaborn)的直接支持，这两种方法都得到了Pandas的良好支持

进一步阅读

• Python中的Apache Spark：新手指南
• PySpark简介
• PySpark文档(尤其是语法) 值得一提

尽管我希望这是一个完整的列表，但我不希望这篇文章过长!

确实有很多许多用于数据转换的Python工具，因此我包括了这一部分，至少是我错过的其他项目(我可能会在本文的第二部分中进一步探讨这些项目)。

• bonobo https://www.bonobo-project.org/
• bubbles http://bubbles.databrewery.org/
• pygrametl http：//chrthomsen.github.io/pygrametl/
• Apache Beam https：//beam.apache.org/

结论

我希望这份清单至少可以帮助您了解Python必须提供哪些工具来进行数据转换。 在进行了这项研究之后，我相信Python是ETL的优秀选择-这些工具及其开发人员使它成为了一个了不起的平台。