Nesse tutorial vamos aprender o básico sobre as etapas de uma rotina de ETL(extract, transform and load). A ideia aqui é utilizar um dataset público da CVM para demonstrar como implementar as diferentes etapas dessa rotina. Vamos explorar alguns conceitos básicos da Engenharia de dados, como implementar rotinas para extração de arquivos e como manipular dados tabulares com o Pandas. Lembrando que toda a implementação aqui é focada em small data.

O arquivo ETL_open_data.ipynb é o arquivo base para a implementação do tutorial, o resultado final, para quem quiser spoilers, está no arquivo Result-ETL_open_data.ipynb.

Requisitos:

• Python 3.6 ou superior
• Python virtual env

1. Inicialize um ambiente virtual na raiz do projeto:

python3 -m venv etl-env

2. Ative o ambiente virtual:

source etl-env/bin/activate

3. Instale as dependências executando na raiz do projeto:

pip install -r requirements.txt

4. Inicie o jupyter notebook executando:

python -m jupyter notebook