大家好！我是 2魚，歡迎來到鐵人賽第九天的資料處理小教室！還記得昨天我們學會了如何使用 MongoDB Compass 手動輸入資料嗎？今天，我們要面對一個更大的挑戰：如何處理大量的專案資料。畢竟，我們的鸚鵡食堂可不是只有幾筆資料那麼簡單！別擔心，我會和大家分享一個超級實用的技巧，讓我們能夠輕鬆地整理和匯入大量資料。準備好要成為資料管理高手了嗎？Let's dive in！

如何整理專案資料

昨天，我使用 Compass 手動將部分資料鍵入資料庫中，但我們專案所需的資料量更為龐大，像是鸚鵡能食用的食物、鸚鵡種類、醫療資訊等等的。為了快速彙整資料，我決定使用 AI 來幫助我整理和擴充資料量。

整理資料步驟：

1. 初步收集資料：

   • 首先，AI 可能會將資料以表格（如 Excel）的形式提供。這時候，我會先把資料整理到 Excel 中，並隨著資料量的增加，不斷檢查資料是否需要進一步調整或修改。
     

2. 資料格式轉換：

   • 收集到足夠的資料後，我會將這些資料複製並請 AI 幫忙將其整理成 JSON 格式，這樣就能方便地匯入 MongoDB 中使用。
     

   • 在 VS Code 中存檔：

     1. 我會打開 VS Code，按下快捷鍵 cmd + N 新增一個文字檔案。
        
        

     2. 接著，將整理好的 JSON 資料貼上到這個檔案中。
        

     3. 最後，將這個檔案保存到一個我可以輕鬆找到的位置。
        
        

   • 匯入資料到 MongoDB：

     1. 在打開 Compass 之後，我會使用匯入功能將剛剛的 JSON 檔案匯入資料庫。這次我選擇匯入鸚鵡能食用的食物資料，因此我會先在資料庫中新增一個集合（collection）。
        
        

     2. 然後，我會將剛才保存的 JSON 檔案匯入到這個新的集合中。
        這裡提供了一些範例的資料，大家可以將資料存到 food.json 文件，跟著一起動手試試看：

        [
          {
            "name": "向日葵籽",
            "calories_per_100g": 584,
            "protein_per_100g": 20.78,
            "fat_per_100g": 51.46,
            "carbohydrates_per_100g": 20,
            "consumption_note": "生食",
            "daily_max_recommended_intake_g": "5-10"
          },
          {
            "name": "南瓜籽",
            "calories_per_100g": 559,
            "protein_per_100g": 30.23,
            "fat_per_100g": 49.05,
            "carbohydrates_per_100g": 10.71,
            "consumption_note": "生食",
            "daily_max_recommended_intake_g": "5-10"
          },
          {
            "name": "蘋果",
            "calories_per_100g": 52,
            "protein_per_100g": 0.26,
            "fat_per_100g": 0.17,
            "carbohydrates_per_100g": 13.81,
            "consumption_note": "生食，去核",
            "daily_max_recommended_intake_g": "10-20"
          },
          {
            "name": "胡蘿蔔",
            "calories_per_100g": 41,
            "protein_per_100g": 0.93,
            "fat_per_100g": 0.24,
            "carbohydrates_per_100g": 9.58,
            "consumption_note": "生食或煮熟食用",
            "daily_max_recommended_intake_g": "10-15"
          },
          {
            "name": "杏仁",
            "calories_per_100g": 579,
            "protein_per_100g": 21.15,
            "fat_per_100g": 49.93,
            "carbohydrates_per_100g": 21.55,
            "consumption_note": "生食或輕微烘烤後食用",
            "daily_max_recommended_intake_g": "3-5"
          },
          {
            "name": "花生",
            "calories_per_100g": 567,
            "protein_per_100g": 25.8,
            "fat_per_100g": 49.24,
            "carbohydrates_per_100g": 16.13,
            "consumption_note": "生食或輕微烘烤後食用",
            "daily_max_recommended_intake_g": "5-10"
          },
          {
            "name": "核桃",
            "calories_per_100g": 654,
            "protein_per_100g": 15.23,
            "fat_per_100g": 65.21,
            "carbohydrates_per_100g": 13.71,
            "consumption_note": "生食或輕微烘烤後食用",
            "daily_max_recommended_intake_g": "5-10"
          },
          {
            "name": "莓果類",
            "calories_per_100g": 43,
            "protein_per_100g": 0.7,
            "fat_per_100g": 0.33,
            "carbohydrates_per_100g": 10.1,
            "consumption_note": "生食（藍莓、草莓等）",
            "daily_max_recommended_intake_g": "10-20"
          }
        ]
        

        

     3. 成功匯入資料後，資料庫就會顯示這些資料，方便進行後續操作。
        

結語

哇，今天我們學到了一個超級實用的技巧呢！透過結合 AI 的強大處理能力和我們對資料的精細把控，我們不僅能快速擴充資料量，還能保持資料的一致性與準確性。這個方法真的是處理大量資料時的救星啊！
想想看，這個流程不只適用於我們的鸚鵡食堂專案，在未來處理任何需要大量資料的專案時都能派上用場。無論是開發過程中的資料蒐集，還是後續的數據處理與分析，這個方法都能讓我們事半功倍。
如果你正在進行類似的專案，或是正為龐大的資料整理而煩惱，真的很推薦你試試看這個流程。相信我，它會讓你的工作變得更加輕鬆高效！
大家有沒有自己處理大量資料的秘訣呢？歡迎在下方留言分享喔！我們一起學習、一起成長。明天見啦，掰掰～
（對了，如果你覺得今天的內容對你有幫助，別忘了給個讚支持一下喔！這會是我繼續努力的動力呢～）