趋近智
ETL管道入门
章节 1: 理解 ETL 基本知识
什么是数据整合？
ETL 介绍：抽取、转换、加载
ETL流程的目的
区分ETL与ELT
常见数据源和数据目标
明确ETL需求
章节 2: 提取阶段
连接数据源
完全抽取与增量抽取
处理结构化数据（例如：数据库、CSV）
半结构化数据（例如JSON、XML）简介
数据变化捕获（CDC）原理
处理提取错误
实践：模拟数据提取
章节 3: 转换阶段
数据转换的必要性
数据清洗：处理缺失值
数据清洗：纠正错误
数据验证规则
数据格式化与标准化
数据丰富：增加信息
数据结构化：数据连接与拆分
数据聚合简介
实践：应用简单转换
章节 4: 加载阶段
选择目标系统
加载策略：完整加载
加载策略：增量加载（追加/更新）
理解目标模式
模式映射：从源到目标
处理加载失败
加载后数据验证
练习：数据加载
章节 5: 搭建简单ETL数据管道
什么是 ETL 流水线？
管道工作流与依赖关系
ETL 工具分类介绍
可视化ETL工具概述
ETL 脚本编程概述
调度与自动化基础知识
监控与日志记录要点
动手实践：设计一个简单的数据管道
数据清洗：处理缺失值
这部分内容有帮助吗？
- Statistical Analysis with Missing Data, Roderick J. A. Little and Donald B. Rubin, 2014 (John Wiley & Sons) DOI: 10.1002/9781119013563 - 这是一本关于处理缺失数据理论和方法的权威著作，涵盖了缺失机制和各种归因技术。
- Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 提供了使用Python pandas库进行数据整理的实践指导，包括识别和处理缺失值的基本技术。
- The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling, Ralph Kimball and Margy Ross, 2013 (John Wiley & Sons) - 这是ETL和数据仓库的标准教材，讨论了数据质量和清洗在ETL管道转换阶段的作用。
- Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Aurélien Géron, 2022 (O'Reilly Media) - 包含数据预处理的实践例子，包括用于缺失值的简单均值/中位数归因策略，与为分析模型准备数据相关。