技術-後台類-azure function #5-回傳資料集

滿意的看著下午三點忠信的小幫手準時啟動完成任務，這資料收進來該如何使用呢？必須在正確的時間，經過正確的計算，以正確的格式，正確的終端，顯示給需要資訊的人。非常幸運的，大量強大的工具已經變得那麼容易取得，跨系統傳輸介面已經樹立了標準，學習曲線也已大幅降低，複雜的資料旅程完全操控在幾行程式間。

先前程式的回傳值只是簡單的字串，傳達的訊息只是「執行完成了」，但目前的需求是「給我整張圖表，我要細細解讀」，所以大量的回傳資料是需要的。搞過 web service, soup, xml 等這些東西的人會有更深的體會，json 格式的廣泛使用對開發工作是何等大的救贖！先想辦法把回傳資料轉成 json 格式的字串。把原本又臭又長的組字串程式變成一句 json.dump()，立刻轉成合規的 json 字串格式，以此格式丟給任何外部系統，將絲毫沒有違的全部無縫接軌。

以上只是一筆資料，觀察之只是一堆以大括號包裝的 key-value 似乎沒甚麼，但 json 之所以強大是可以包含巢狀複雜物件，也可以包含「物件陣列」，這樣就可以傳「大的物件」，和「大量物件」，我這次想實做的是傳回近 30 天的資料集，原始形式就是長度為 30 的物件陣列。

為此新的功能需要新增一個全新的 function，選擇類別為 HttpTrigger，這過程已經漸漸熟練了。將原初的 name 參數改為 day，當作傳回資料的筆數；另外查詢資料庫的功能切開到一個副程序 get_market_info() 實作，預計傳回 dataframe，這是 pandas 套件中用途最廣功能最強大的資料結構，另外發現 dataframe 類別天生已經提供 to_json() 的方法，真是太方便了，之前的 json.dumps() 就不需要了，json 的支援度就是廣，有 json 好辦事。

接下來實作資料庫查詢部分，pyodbc 的連線建立已經熟悉，跟先前執行 delete and insert 指令是一樣的，此次查詢指令需要回傳較大量的資料，同樣發現 pandas 套件已經與 pyodbc 深度整合完成，直接提供 read_sql() 方法回傳 dataframe，得來全不費工夫，python 就是這麼迷人。