Grundlegende Spalten-Erwartungen

Einführung in Data Quality mit Great Expectations

Davina Moossazadeh

Data Scientist

Das Shein-Schuh-Dataset

Die ersten fünf Zeilen des Shein-Schuh-Datasets von Kaggle, geladen in pandas. Das DataFrame hat die Spalten: "name", "link", "price_usd", "mark_price_usd", "star_rating", "colour", "seller_name", "review_count", "sku_id" und "hero_image".

¹ https://www.kaggle.com/datasets/atharvataras/shein-footwear-dataset

Zeilenbasierte Erwartungen

Zeilenbasierte Erwartungen gelten je Zeile unabhängig
- bestehen nur, wenn die Bedingung für jede Zeile erfüllt ist

Zeilenbasierte Erwartungen

Erwartung: Fehlende Werte

gx.expectations.ExpectColumnValuesToNotBeNull(
    column="colour"
)

Erwartung: Typ

gx.expectations.ExpectColumnValuesToBeOfType(
    column="review_count", type_="str"
)

Aggregat-Erwartungen: unterschiedliche Werte

Erwartung: Unterschiedliche Werte

gx.expectations.ExpectColumnDistinctValuesToEqualSet(
    column="seller_name", value_set={"Womens Shoes"}
)

Aggregat-Erwartungen: Anzahl eindeutiger Werte

Erwartung: Anzahl eindeutiger Werte

gx.expectations.ExpectColumnUniqueValueCountToBeBetween(
    column="review_count", min_value=5, max_value=101
)

Aggregat-Erwartungen: Eindeutigkeit

Erwartung: Eindeutigkeit

gx.expectations.ExpectColumnValuesToBeUnique(
    column="sku_id"
)

Aggregat-Erwartungen: Modus

Erwartung: Modus

gx.expectations.ExpectColumnMostCommonValueToBeInSet(
    column="colour", value_set={"Khaki", "Purple", "Grey"}
)

Spickzettel

Zeilenbasierte Erwartungen:

ExpectColumnValuesToNotBeNull(
    column: str
)
ExpectColumnValuesToBeOfType(
    column: str, type_: str
)

Aggregat-Erwartungen:

ExpectColumnDistinctValuesToEqualSet(
    column: str, value_set: set
)
ExpectColumnUniqueValueCountToBeBetween(
    column: str, 
    min_value: int, max_value: int
)
ExpectColumnValuesToBeUnique(column: str)
ExpectColumnMostCommonValueToBeInSet(
    column: str, value_set: set
)

Lass uns üben!

Einführung in Data Quality mit Great Expectations