用途：在现代数据栈中选择并实现数据转换模式，把原始数据加工为干净、经过测试和文档化的分析数据集，涉及 SQL（dbt）、Python 数据框（pandas、polars、PySpark）与流水线编排（Airflow、Dagster、Prefect）。
主要能力：提供 ETL 与 ELT 的选型框架（默认推荐 ELT + dbt，除非有合规或性能约束）；dbt 分层建模（staging、intermediate、marts）与物化类型（view、table、incremental、ephemeral）、增量加载与 merge 策略、dbt 测试；pandas/polars/PySpark 的转换写法与迁移路径（pandas→polars 或 pandas→PySpark）；Airflow DAG 结构与任务依赖模式（线性、扇出、扇入）；数据质量测试（dbt 通用/单例测试、Great Expectations）；窗口函数等高级 SQL；幂等性、错误处理与监控等生产实践。
使用方式：按数据规模与场景选择工具。数据小于 500MB 用 pandas；500MB–100GB 用 polars；超过 100GB 用 PySpark。编排默认 Airflow，重 dbt 场景可选 Dagster，动态工作流可选 Prefect。安装命令：pip install dbt-core dbt-snowflake；pip install polars；pip install apache-airflow。
适用场景：构建 dbt 模型、实现增量加载、迁移 pandas 到 polars、编排带依赖与重试的数据流水线、添加数据质量测试、用 PySpark 处理大数据集、搭建生产级转换工作流。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；工具选型建议为通用经验，实际需结合合规、性能与现有基础设施判断。