构建数据分析项目不再令人望而生畏！本指南提供一个轻量级、灵活且易于上手的解决方案，帮助您快速搭建一个功能强大的数据分析平台。它自动化数据收集、无服务器数据库存储以及交互式仪表板展示，所有操作都基于
python
完成。本例使用coingecko的
加密货币
数据进行演示，但您可以轻松替换成任何其他数据集。
核心技术栈
本项目基于以下三个关键技术：
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数据库高效地存储这些数据，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
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
下载
项目采用模块化结构，清晰易懂：
：包含用于数据摄取的Airflow DAGs。
：包含Streamlit应用程序代码。
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:
设置Python虚拟环境:
(请根据您的系统调整命令)
使用Docker运行:
确保已安装Docker，然后运行：
仪表板将在
上运行。
部署
部署Airflow DAGs:
导航到
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！
├── 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.mdastronomer/frontend/git clone https://github.com/olgazju/data_analytics_dashboard_starter_kit.git
cd data_analytics_dashboard_starter_kitbrew install pyenv pyenv-virtualenv
pyenv install 3.12.0
pyenv virtualenv 3.12.0 da_kit
pyenv local da_kitdocker-compose buildhttp://localhost:8501astronomer/