Gestionar componentes

Introducción a la calidad de datos con Great Expectations

Davina Moossazadeh

Data Scientist

Componentes

Componentes de GX: clases de Python que representan datos y entidades de validación

Data Context
Data Sources y Data Assets
Batch Definitions y Batches
Expectations
Expectation Suites
Validation Definitions
Checkpoints y Actions
Data Docs

¹ https://docs.greatexpectations.io/docs/core/introduction/gx_overview

Gestión de componentes en GX

Data Sources:

conectan con los datos y contienen Data Assets

Expectation Suites:

contienen Expectations

Validation Definitions:

validan Expectations contra los datos

Checkpoints:

agrupan y automatizan Validations

context.data_sources

context.suites

context.validation_definitions

context.checkpoints

Agregar componentes

Expectation Suite:

suite = context.suites.add(suite)

Validation Definition:

validation_definition = context.validation_definitions.add(validation_definition)

Checkpoint:

checkpoint = context.checkpoints.add(
    checkpoint=checkpoint
)

Agregar una Data Source

data_source = context.data_sources.add_<TYPE_NAME>()

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

Agregar una Data Source de pandas

Usa .add_pandas() para crear fácil una Data Source para DataFrames de pandas:

data_source = context.data_sources.add_pandas(
    name="my_pandas_datasource"
)

Recuperar componentes

Recupera componentes con .get() indicando su nombre:

context.<COMPONENT>s.get(

    name: str
)

data_source = context.data_sources.get(

    name="my_pandas_datasource"
)

print(data_source)

id: 46c91f1b-1db9-4351-b5dd-83e038c0f511
name: 'my_pandas_datasource'
type: pandas

Recuperar componentes

Data Sources:

context.data_sources.get(
    name="my_pandas_datasource"
)

Expectation Suites:

context.suites.get(
    name="my_suite"
)

Validation Definitions:

context.validation_definitions.get(
    name="my_validation_definition"
)

Checkpoints:

context.checkpoints.get(
    name="my_checkpoint"
)

Listar componentes

Usa .all() para listar todos los componentes del Data Context, con nombres y metadatos:

context.<COMPONENT>s.all()

data_sources = context.data_sources.all()

print(data_sources)

{
    'my_pandas_datasource': PandasDatasource(
        type='pandas',
        name='my_pandas_datasource', 
        id=UUID('c22b16f7-6945-400e-932f-026cbd63b112'), 
        assets=[]
    )
}

Listar componentes

Data Sources:

context.data_sources.all()

Expectation Suites:

context.suites.all()

Validation Definitions:

context.validation_definitions.all()

Checkpoints:

context.checkpoints.all()

Eliminar componentes

Usa .delete() para eliminar componentes indicando su nombre:

context.<COMPONENT>s.delete(

    name: str
)

context.data_sources.delete(
    name="my_pandas_datasource"
)

print(context.data_sources.all())

{}

Eliminar componentes

Data Sources:

context.data_sources.delete(
    name="my_pandas_datasource"
)

Expectation Suites:

context.suites.delete(
    name="my_suite"
)

Validation Definitions:

context.validation_definitions.delete(
    name="my_validation_definition"
)

Checkpoints:

context.checkpoints.delete(
    name="my_checkpoint"
)

Chuleta

Agregar un componente al Data Context:

context.data_sources.add(data_source)

context.suites.add(suite)

context.validation_definitions.add(
    validation_definition
)

context.checkpoints.add(checkpoint)

Recuperar un componente:

.get(name: str)

Listar componentes:

.all()

Eliminar un componente:

.delete(name: str)

¡Vamos a practicar!

Introducción a la calidad de datos con Great Expectations