Leer datos en lotes

Introducción a la calidad de datos con Great Expectations

Davina Moossazadeh

Data Scientist

Datos meteorológicos de Kaggle

Un DataFrame de pandas con los datos meteorológicos de Kaggle, con estas columnas: "Location", "Date_Time", "Temperature_C", "Humidity_pct", "Precipitation_mm" y "Wind_Speed_kmh". El DataFrame tiene 87.118 filas.

Batch Definitions

Batch Definition: configuración de cómo dividir un Data Asset para las pruebas

batch_definition = data_asset.add_batch_definition_whole_dataframe(

    name="my_batch_definition"
)

print(batch_definition)

id='69e2a81d-1c28-4d1a-b66e-52cdc1198266' 
name='my_batch_definition' 
partitioner=None

¹ https://docs.greatexpectations.io/docs/core/connect_to_data/dataframes/

Batches

Batch: conjunto de registros sobre los que ejecutar validaciones

batch = batch_definition.get_batch(

    batch_parameters={"dataframe": dataframe}
)

Batches

El objeto Batch

Podemos usar .head() como en pandas:

print(batch.head())

Captura de pantalla 2024-07-16 a las 11.49.00.png

¹ Tabla adaptada de https://www.kaggle.com/datasets/prasad22/weather-data

El objeto Batch

print(batch.head(fetch_all=True))

Captura de pantalla 2024-07-22 a las 14.02.00.png

El objeto Batch

.columns() muestra todas las columnas del DataFrame (ojo a los ())

print(batch.columns())

['Location',
 'Date_Time',
 'Temperature_C',
 'Humidity_pct',
 'Precipitation_mm',
 'Wind_Speed_kmh']

Chuleta

Crear Batch Definition desde un Data Asset:

batch_definition = data_asset. \
add_batch_definition_whole_dataframe(
  name: str
)

Crear un Batch desde la Batch Definition:

batch = batch_definition.get_batch(
  batch_parameters={"dataframe": dataframe}
)

Obtener filas del DataFrame del Batch:

batch.head(fetch_all: bool)

Obtener la lista de columnas del DataFrame del Batch:

batch.columns()

¡Vamos a practicar!

Introducción a la calidad de datos con Great Expectations