SQL et Jinja pour dbt

Aperçu

Améliorer les workflows dbt conduit à des modèles de données efficaces et maintenables. Dans ce cours, SQL et Jinja pour dbt, vous acquerrez la capacité d'écrire des modèles dbt optimisés, d'automatiser les transformations, et d'appliquer le script Jinja pour des références de données dynamiques.

Tout d'abord, vous explorerez les meilleures pratiques pour écrire du SQL efficace dans les modèles dbt. Ensuite, vous découvrirez comment améliorer les transformations dbt en utilisant le templating Jinja pour des références dynamiques de schéma et de table.

Enfin, vous apprendrez comment automatiser les workflows SQL en utilisant les macros dbt, permettant la réutilisation du code, des requêtes basées sur la logique, et des stratégies de débogage. À la fin de ce cours, vous aurez les compétences et les connaissances pour optimiser les modèles dbt, rationaliser les workflows SQL, et appliquer l'automatisation basée sur Jinja pour des transformations de données évolutives.

Programme

• Introduction à dbt et son flux de travail
Aperçu de dbt et son rôle en ingénierie des données
Comprendre les modèles dbt et leur structure
Introduction à SQL et Jinja dans le contexte de dbt
• Écrire du SQL efficace dans les modèles dbt
Meilleures pratiques pour SQL dans dbt
Tirer parti du processus de compilation de dbt
Techniques d'optimisation des performances des requêtes
• Utiliser le templating Jinja dans dbt
Introduction à Jinja et sa syntaxe
Références dynamiques de schémas et tables
Logique conditionnelle et bouclage avec Jinja
Conseils pour le dépannage du code Jinja
• Améliorer les transformations dbt avec Jinja
Créer des requêtes dynamiques avec Jinja
Utiliser Jinja pour gérer les configurations
Implémenter Jinja pour la validation et le nettoyage des données
• Automatiser les flux de travail SQL avec les macros dbt
Comprendre les macros dans dbt
Écrire des macros personnalisées pour une logique réutilisable
Implémenter des requêtes pilotées par la logique via macros
Stratégies de débogage pour les macros
• Études de cas : appliquer SQL et Jinja pour dbt
Exemples réels de modèles dbt optimisés
Étude de cas : modèles de données dynamiques avec Jinja
Automatisation de transformations complexes avec des macros
• Projet final
Développement d'un modèle dbt complet
Incorporation des meilleures pratiques SQL, de Jinja et de macros
Évaluation par les pairs et feedback
• Conclusion et prochaines étapes
Récapitulatif des apprentissages clés
Ressources pour l'apprentissage continu
Exploration de sujets avancés dans dbt et l'ingénierie des données

Enseigné par

Pinal Dave

Sujets

Affaires