Riepilogo

Introduzione alla Data Quality con Great Expectations

Davina Moossazadeh

Data Scientist

Capitolo 1: Connessione ai dati

Crea un Data Context

context = gx.get_context()

Capitolo 1: Connessione ai dati

Connettersi ai dati

Crea una Data Source dal Data Context:

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

Crea un Data Asset dalla Data Source:

data_asset = data_source.add_dataframe_asset(
    name: str
)

Capitolo 1: Connessione ai dati

Leggi i dati in batch

Crea una Batch Definition dal Data Asset:

batch_definition = data_asset. \
add_batch_definition_whole_dataframe(
  name: str
)

Crea un Batch dalla Batch Definition:

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

Ottieni le righe del DataFrame del Batch:

batch.head(fetch_all: bool)

Ottieni l’elenco delle colonne del DataFrame del Batch:

batch.columns()

Capitolo 2: Definire le Aspettative

Crea aspettative

Crea un’aspettativa: gx.expectations.Expect...(...)

Crea un’aspettativa sul numero di righe:

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

Convalida l’aspettativa:

validation_results = batch.validate(
    expect=expectation
)

Verifica i risultati:

validation_results.describe()
validation_results.success
validation_results.result

Capitolo 2: Definire le Aspettative

Aspettative sullo schema

Aspettative sulla forma:

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

Aspettative sui nomi delle colonne:

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

Capitolo 2: Definire le Aspettative

Crea una suite di aspettative

Crea una Expectation Suite:

suite = gx.ExpectationSuite(name: str)

Aggiungi un’aspettativa alla suite:

suite.add_expectation(expectation)

Accedi alle aspettative della suite:

suite.expectations

Convalida la Expectation Suite:

validation_results = batch.validate(
    expect=suite
)

Verifica i risultati:

validation_results.success
validation_results.describe()

Capitolo 2: Definire le Aspettative

Convalida le Expectation Suite

Aggiungi la Expectation Suite al Data Context:

context.suites.add(suite)

Crea una Validation Definition:

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

Esegui la convalida:

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

Verifica i risultati:

validation_results.success
validation_results.describe()

Capitolo 3: GX in pratica

Distribuisci le Validation Definition

Aggiungi la Validation Definition al Data Context:

context.validation_definitions.add(
    validation_definition
)

Crea un Checkpoint:

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

Esegui il Checkpoint:

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

Verifica i risultati del Checkpoint:

checkpoint_results.success

Capitolo 3: GX in pratica

Aggiorna le Expectation Suite

Copia un’aspettativa:

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

Verifica se l’aspettativa è nella suite:

expectation in suite.expectations

Elimina un’aspettativa:

suite.delete_expectation(expectation)

Aggiorna il valore dell’aspettativa:

expectation.value = new_value

Salva le modifiche all’aspettativa:

expectation.save()

Salva le modifiche alla Expectation Suite:

suite.save()

Capitolo 3: GX in pratica

Gestisci i componenti

Aggiungi 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)

Recupera un componente:

.get(name: str)

Elenca i componenti:

.all()

Elimina un componente:

.delete(name: str)

Capitolo 4: Tutto sulle Aspettative

Aspettative base sulle colonne

Aspettative a livello di riga:

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

Aspettative a livello aggregato:

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

Capitolo 4: Tutto sulle Aspettative

Aspettative specifiche per tipo

Aspettative numeriche:

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

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

Aspettative su stringhe:

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

Capitolo 4: Tutto sulle Aspettative

Aspettative condizionali

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

Considerazioni finali

Risorse:

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

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

Galleria delle Expectation:

www.greatexpectations.io/expectations

Congratulazioni!

Introduzione alla Data Quality con Great Expectations