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
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
缺点
进一步阅读
Dask
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
缺点
进一步阅读
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
缺点
进一步阅读
Petl
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
缺点
进一步阅读
PySpark
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
缺点
进一步阅读
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)。
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。
就像我在本文开头提到的那样，我不是该领域的专家-如果您有任何补充，请随时发表评论!
谢谢阅读!
重庆分公司
重庆分公司
