Cierre

Introducción a la calidad de datos con Great Expectations

Davina Moossazadeh

Data Scientist

Capítulo 1: Conexión a los datos

Crear un Data Context

context = gx.get_context()

Capítulo 1: Conexión a los datos

Conectar a los datos

Crear un Data Source desde el Data Context:

data_source = context.data_sources.add_pandas(
    name: str
)

Crear un Data Asset desde el Data Source:

data_asset = data_source.add_dataframe_asset(
    name: str
)

Capítulo 1: Conexión a los datos

Leer datos en lotes

Crear una 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 lista de columnas del DataFrame del Batch:

batch.columns()

Capítulo 2: Definir expectativas

Crear Expectations

Crear una Expectation: gx.expectations.Expect...(...)

Crear una Expectation de conteo de filas:

expectation = gx.expectations. \
ExpectTableRowCountToEqual(
    value: int
)

Validar la Expectation:

validation_results = batch.validate(
    expect=expectation
)

Comprobar resultados de validación:

validation_results.describe()
validation_results.success
validation_results.result

Capítulo 2: Definir expectativas

Expectativas de esquema

Expectativas de forma:

ExpectTableRowCountToEqual(value: int)
ExpectTableRowCountToBeBetween(
    min_value: int, max_value: int
)
ExpectTableColumnCountToEqual(
    value: int
)
ExpectTableColumnCountToBeBetween(
    min_value: int, max_value: int
)

Expectativas de nombres de columnas:

ExpectTableColumnsToMatchSet(
    column_set: set
)
ExpectColumnToExist(column: str)

Capítulo 2: Definir expectativas

Crear un conjunto de expectativas

Crear Expectation Suite:

suite = gx.ExpectationSuite(name: str)

Añadir una Expectation a la suite:

suite.add_expectation(expectation)

Ver las Expectations de la suite:

suite.expectations

Validar la Expectation Suite:

validation_results = batch.validate(
    expect=suite
)

Comprobar resultados de validación:

validation_results.success
validation_results.describe()

Capítulo 2: Definir expectativas

Validar Expectation Suites

Añadir la Expectation Suite al Data Context:

context.suites.add(suite)

Crear una Validation Definition:

validation_definition = \
gx.ValidationDefinition(
  name: str, 
  data=batch_definition, 
  suite=suite
)

Ejecutar la validación:

validation_results = \
validation_definition.run(
  batch_parameters={"dataframe": dataframe}
)

Comprobar resultados de validación:

validation_results.success
validation_results.describe()

Capítulo 3: GX en la práctica

Desplegar Validation Definitions

Añadir la Validation Definition al Data Context:

context.validation_definitions.add(
    validation_definition
)

Crear un Checkpoint:

checkpoint = gx.Checkpoint(
    name: str, 
    validation_definitions: list,
)

Ejecutar el Checkpoint:

checkpoint_results = checkpoint.run(
    batch_parameters={
        "dataframe": dataframe
    }
)

Comprobar resultados del Checkpoint:

checkpoint_results.success

Capítulo 3: GX en la práctica

Actualizar Expectation Suites

Copiar una Expectation:

expectation_copy = expectation.copy()
expectation_copy.id = None

Comprobar si la Expectation está en la suite:

expectation in suite.expectations

Eliminar una Expectation:

suite.delete_expectation(expectation)

Actualizar el valor de la Expectation:

expectation.value = new_value

Guardar cambios en la Expectation:

expectation.save()

Guardar cambios en la Expectation Suite:

suite.save()

Capítulo 3: GX en la práctica

Gestionar componentes

Añadir 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)

Capítulo 4: Todo sobre las Expectations

Expectativas básicas de columna

Expectativas a nivel de fila:

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

Expectativas a nivel agregado:

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

Capítulo 4: Todo sobre las Expectations

Expectativas por tipo

Expectativas numéricas:

ExpectColumn<METRIC>ToBeBetween(
  column: str, min_value: int, max_value: int
)
# <METRIC> en 
# {"Mean", "Median", "Stdev", "Sum"}

ExpectColumnValuesToBeBetween(
  column: str, min_value: int, max_value: int
)
ExpectColumnValuesToBeIncreasing(column: str)
ExpectColumnValuesToBeDecreasing(column: str)

Expectativas de cadenas:

ExpectColumnValueLengthsToEqual(
  column: str, value: int
)
ExpectColumnValuesToMatchRegex(
  column: str, regex: str
)
ExpectColumnValuesToMatchRegexList(
  column: str, regex_list: list
)
ExpectColumnValuesToBe{Dateutil,Json}Parseable(
  column: str
)

Capítulo 4: Todo sobre las Expectations

Expectativas condicionales

expectation = gx.expectations.Expect...(
    expetation_parameters,
    ...,
    condition_parser='pandas',
    row_condition: str,
)

Palabras finales

Recursos:

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

https://docs.greatexpectations.io/docs/reference

Galería de Expectations:

www.greatexpectations.io/expectations

¡Felicidades!

Introducción a la calidad de datos con Great Expectations