練習題

基礎題¶

1. CSV、JSON、Parquet 各自最適合哪個使用時機？各舉一個日常工作情境。

2. 為什麼讀 CSV 時所有欄位預設都是字串型別？這會帶來什麼問題？

3. errors="coerce" 在型別轉換裡的作用是什麼？和 errors="raise" 有何差異？

4. 缺值（NaN）和空字串（""）在 Pandas 裡是同一件事嗎？為什麼要區分？

5. 為什麼要把原始資料、處理後資料和快照分開存放？放在一起會有什麼風險？

實作題¶

1. 修改 normalize_table()，讓它在遇到 schema 中未定義的欄位時，回傳警告訊息而不是直接忽略。

2. 為 read_data_source() 新增對 .tsv（Tab 分隔）格式的支援。

3. 在測試中加入一個案例：輸入 Excel 檔（.xlsx），驗證輸出的 Parquet 欄位型別與 schema 一致。

4. 新增一個 validate_schema(df, schema) 函式，在正規化後驗證每個欄位的型別是否符合預期，不符合時回傳詳細差異報告。

反思題¶

• 如果資料來源每週更新，但欄位名稱可能悄悄改變，你會在流程的哪個階段加入防護？

• normalize_table() 會在欄位缺失時自動補 pd.NA。這個設計的好處是什麼？有沒有可能造成問題？

• 本章用 schema 字典來定義欄位型別。如果把這份 schema 改存成外部設定檔（如 JSON 或 YAML），會帶來什麼好處？又要注意什麼風險？