数据工程师推荐你用的几个工具
作为数据工程师或者数据分析师，经常会跟各种数据打交道，其中，获取数据这一关是无法避免的，下面，我就将自己时常工作中用到的数据连接配置模型分享出来，供大家交流。
MySQL数据库
mysql数据库是目前用的最多的数据库之一，此处我做的是读和写的接口，而删除和更新操作，一般不是分析师做的，而是开发，所以我没有做这个。
import MySQLdb
import pandas as pd
from sqlalchemy import create_engine
class con_analyze:
"""数据分析平台连接"""
def __init__(self, database='myanalyze'):
self.database = database
self.conn = None
def connect(self):
self.conn = MySQLdb.connect(host='***', user='root', passwd='***', db=self.database, charset='utf8')
def query(self, sql):
try:
self.connect()
data = pd.read_sql(sql, self.conn)
except (AttributeError, MySQLdb.OperationalError):
self.connect()
data = pd.read_sql(sql, self.conn) # 读取数据出现错误,再次连接
return data
def store(self, mydataframe, table_name, if_exists='replace'):
conn2 = "mysql+mysqldb://root:***@***:3306/%s" % self.database
local_engine = create_engine(conn2)
mydataframe.to_sql(table_name, local_engine, if_exists=if_exists, index=False, chunksize=10000)
'''还可以加一个函数用来执行单条sql语句,不仅仅是读取数据，还可以update，create等'''作为一个链接类来使用，初始化的时候给出的conn是None，只有在执行查询函数的时候才创建链接，（链接中，我隐去了自己的host信息，你需要将自己的host填进去）
查询的时候使用了try语句，如果链接不成功或者查询不成功，就会出错，如果是链接不成功，那就在异常中再次连接。关于重复执行一段代码，有一个库大家可以关注一下：tenacity 这个库能让你实现更优雅（pythonic）的代码重复 此处读取数据是使用pandas库中的read_sql函数，此函数可以直接将查询结果转化成一个dataframe，方便了后面的分析工作
存储功能也是使用dataframe的函数tosql，此函数是将一个df直接转化成sql数据存入数据库，如果tablename存在，可以选择替换（replace）、增加（append）等，如果df很大很长，就需要设置一下chunksize参数
chunksize的设定，程序会自动将你的长达几十万行的df迭代存储，每次只存储10000行（这个数字是我设定的，你也可以改）。
看到这里，你可能会有疑问，为什么读和写的conn不一样，一个是用 MySQLdb.connect创建，而另一个是用create_engine创建。我想说的是，后面这个conn2其实可以作为读的连接参数，但是使用 MySQLdb.connect创建的连接却不一定能用来写，因为我在实践中多次运行发生了错误，所以我就改了。
其实，其他的数据库可以类似这种做法，给自己的项目配置一个连接类，使用的时候应该是这样的：
首先，你需要把代码放在一个单独的配置文件，比如config.py中
然后在你需要使用的地方，导入此配置文件
from config import con_analyze
class AnalyzeData:
def __init__(self):
# 此处初始化，可以带一个参数：database,默认为myanalyze
self.conn = con_analyze()
# self.conn2 = con_analyze("myanalyze_2")
def get_data(self, sql):
# 执行sql查询结果保存到df中
df = self.conn.query(sql=sql)
def store_data(self, df):
# 将dataframe类型的数据df，存入名为dd_name的数据表中
self.conn.store(df, 'db_name')MongoDB
mongodb是一个非结构化数据库，里面存储的数据类似于json，是键值对的形式，如果你遇到了需要查询mongodb中的数据，下面我就简单介绍一下。
同样，也是要建立一个类，这是为了规范。
import pymongo
import pandas as pd
class Conn_Mongo:
"""mongo 数据库连接"""
def __init__(self):
self.mongo_utoken = pymongo.MongoClient('mongodb://***:27000').utoken # 用户表
def get_user_data_mongo(self,list_id):
"""
通过连接 mongo查找
"""
user_data = pd.DataFrame(list(self.mongo_fotor.userinfo.find({'FToken': {'$in': list(list_id)}})))
return user_data这个毕竟简单，就是一个查询操作，我是先传入一串id，根据id找到对应的信息。一般来说，mongodb的库容量都比较大，所以我是有针对的查询相关信息。
这里用到了pymongo库，通过它创建一个到相应地址（我用*隐掉了）的连接，后面的.utoken是对应的库名称，其实你也可以把它作为参数，在初始化的时候传进去。
后面查询的时候使用了find函数，其前面的userinfo是表的名称，find的参数也是键值对的形式，这里我指定了键的名称"FToken"，其值{'$in': list(list_id)}代表的意思是：在什么什么中。
将id 做成了一个list（为了大家理解，取名为list_id），相关语法大家可以查阅一下。
Flurry
如果你的工作涉及到了app的数据，那经常会使用Flurry获取数据。
Flurry是一个移动统计平台，虽然是国外的，但国内依然可以用（不像谷歌分析被禁了），ios和Android应用的运营数据都可以在上面统计查询。
如果你还没有，又想了解的，可以戳这里：Flurry
对，网页浏览的话，界面就是这样的。
常用的功能是用户数据
以及功能点击事件
不过，这不是我要说的重点，上面只是让你看一下Flurry长什么样，现在我要写python接口，将这些数据取出。
Flurry的api地址，请戳这里：Flurry API
这是创建分析报告的api，有别于开发的api
首先，我们需要去申请一个app token，用于获取连接权限，申请方法请参考：app access token
它是大一串字母
只要获取到了这个token，我们就可以创建一个url，用于获取Flurry里面的数据了，具体看如下的代码：
import pandas as pd
import json, requests
class Conn_Flurry:
"""flurry api data"""
api_token = "******.****.****"
headers = {'Authorization': 'Bearer {}'.format(api_token)}
url = "https://api-metrics.flurry.com/public/v1/data/appEvent/day/app?metrics=activeDevices,newDevices,averageTimePerDevice&dateTime=2017-05-23/2017-05-24"
def get_results(self, url=url):
'''
这里使用的url是一个示例，也可以使用get_url函数创建需要的url传入此函数作为参数
'''
data = requests.get(url, headers=self.headers)
cleaned = json.loads(data.text, 'utf-8')
cleaned = pd.DataFrame(cleaned['rows'])
return cleaned
def get_url(self, table='appEvent', timegrain='day', dimensions='app/event', metrics='occurrences',
dateTime='2017-09-23/2017-05-24', filters=""):
'''
若filters为空， 不影响结果
标准的url：endpoint + '/table/timeGrain/dimension1/dimension2;show=all/dimension3{...}?metrics=[comma-separated-metrics]&dateTime=[..]&filters=[...]&topN=[..]&sort=[..]&having=[..]&format=[..]&timeZone=[..]'
App Usage url： endpoint+ "/appUsage/day?metrics=sessions,activeDevices,newDevices&dateTime=2016-06-01/2016-08-01&filters=app|name-in[appname]"
app event url: endpoint + "/appEvent/day/app/appVersion/event?metrics=occurrences&dateTime=2016-07-01/2016-07-03&filters=app|name-in[foo],event|name-in[login,register]"
app event url2: endpoint + "/appEvent/day/app/country?metrics=activeDevices,newDevices&dateTime=2016-07-01/2016-07-03&filters=app|name-in[foo],event|name-in[login]&topN=5&sort=activeDevices|desc"
event parameter: endpoint+ "/eventParams/day/app;show=all/event/paramName/paramValue?metrics=count&dateTime=2016-11-07/2016-11-08&filters=app|name-in[foo],event|name-in[level_complete]"
注意，dimensions的变化，当要看某一事件的具体信息时：app;show=all/event/paramName/paramValue，加了个show=all
注意filters里面filters的格式，可以选择app名称和事件名称
注意timegrain和datetime的关系，常见的就是day和month，datetime的格式也要跟着变
'''
endpoint = 'https://api-metrics.flurry.com/public/v1/data'
url = "{}/{}/{}/{}?metrics={}&dateTime={}&filters={}".format(endpoint, table, timegrain, dimensions, metrics,
dateTime, filters)
return url代码稍微有点长，中间许多注释行，但总的来说就是两个步骤：
1. 构建url
2. 获取url对应的结果
但是细细说来，这里面涉及到的东西比较多，比如，为什么url的格式是这样的，还有headers为什么是那样构造的，还有结果的形式等等
我想说的是，这些在官网api上已有很详细的说明，我就不搬砖了，不过，如果你有任何疑问，欢迎在评论区留言，我知道的一定尽心解答。
url = self.conn_flurry.get_url('appUsage', 'month', 'app','averageTimePerSession,activeDevices,newDevices,sessions', self.time_range)
user_mobile = self.conn_flurry.get_results(url)上面就是一个简单的应用，其中time_range应该是这样的格式
self.time_range = '2017-09/2017-10'对于这个时间范围，Flurry默认是左闭右开的，即不包含10月
同理，如果是这样
那就代表从9月23号起，但是不包含10月24号的结果，这一点尤其要注意。如果你是拿某一段时间内的数据，就很容易忽略这点，导致少拿数据
如果是按天拿还好，有date这个维度，会提醒你到底拿到了哪些天的数据。