构建数据分析平台：Neon、Airflow与Streamlit的完美结合 数据流向与项目结构详解

构建数据分析项目从未如此简单！本指南将向您展示如何快速搭建一个功能强大的数据分析平台。通过自动化数据收集、无服务器数据库存储以及交互式仪表板展示，所有操作都可以基于Python完成。

核心技术栈

本项目依赖以下三个关键技术：

Neon (无服务器PostgreSQL): 提供自动扩展的无服务器PostgreSQL数据库，无需管理底层基础设施，非常适合数据分析项目。

Airflow (通过Astronomer): 用于自动化ETL工作流程。本项目使用Airflow从CoinGecko获取历史和实时加密数据，并将其存储到Neon数据库中。

Streamlit: 构建基于Python的交互式仪表板的简易方法。只需编写Python脚本，Streamlit即可自动生成用户界面。

数据流向

Airflow定时从CoinGecko API提取加密货币数据，Neon数据库**地存储这些数据，方便后续查询。Streamlit应用读取存储的数据，并将其可视化在交互式仪表板中。

项目结构

项目采用模块化结构，清晰易懂：

├── astronomer/    # Airflow DAGs for ETL jobs │   ├── dags/ │   ├── Dockerfile │   ├── requirements.txt ├── frontend/      # Streamlit app code │   ├── app.py │   ├── Dockerfile │   ├── requirements.txt ├── .pre-commit-config.yaml ├── compose.yaml └── README.md

Docker支持 所有组件都支持Docker，方便部署和管理。

本地运行项目

克隆仓库:

git clone https://git**.com/olgazju/data_analytics_dashboard_starter_kit.git cd data_analytics_dashboard_starter_kit

设置Python虚拟环境:

brew install pyenv pyenv-virtualenv pyenv install 3.12.0 pyenv virtualenv 3.12.0 da_kit pyenv local da_kit

使用Docker运行:

docker-compose build

仪表板将在http://localhost:8501 上运行。

部署

部署Airflow DAGs: 导航到astronomer/文件夹，并使用Astronomer平台部署DAGs。

部署Streamlit应用程序: 使用Streamlit Cloud托管应用程序。连接您的GitHub仓库，Streamlit Cloud将自动处理部署。

下一步

如果您对数据分析感兴趣并希望快速上手，不妨尝试使用这个数据分析仪表板启动器套件。您可以fork仓库，尝试不同的数据源，并分享您的成果。

欢迎提供反馈和建议！

更多关于数据分析项目的教程，请查看我们的其他资源。