Test unitari per una data pipeline

ETL and ELT in Python

Jake Roach

Data Engineer

Validare una data pipeline con unit test

Unit test:

Usati spesso nei flussi di ingegneria del software
Verificano che il codice funzioni come previsto
Aiutano a validare i dati

Tipico framework di validazione per data pipeline, che include unit test ed end-to-end test.

pytest per unit test

from pipeline import extract, transform, load

# Crea un unit test che verifichi il tipo di clean_stock_data
def test_transformed_data():
    raw_stock_data = extract("raw_stock_data.csv")
    clean_stock_data = transform(raw_data)
    assert isinstance(clean_stock_data, pd.DataFrame)

> python -m pytest

test_transformed_data .                                                     [100%]
================================ 1 passed in 1.17s ===============================

assert e isinstance

pipeline_type = "ETL"

# Controlla se pipeline_type è un'istanza di str
isinstance(pipeline_type, str)

True

# Verifica che la pipeline abbia davvero valore "ETL"
assert pipeline_type == "ETL"

# Combina assert e isinstance
assert isinstance(pipeline_type, str)

AssertionError

pipeline_type = "ETL"

# Genera un'AssertionError
assert isinstance(pipeline_type, float)

Traceback (most recent call last):
  File "<stdin>", line 4, in <module>
AssertionError

Mock dei componenti della data pipeline con fixture

import pytest

@pytest.fixture()
def clean_data():
    raw_stock_data = extract("raw_stock_data.csv")
    clean_stock_data = transform(raw_data)
    return clean_stock_data

def test_transformed_data(clean_data):
    assert isinstance(clean_data, pd.DataFrame)

Unit test sui DataFrame

def test_transformed_data(clean_data):
    # Aggiungi qui altre asserzioni
    ...

    # Controlla il numero di colonne
    assert len(clean_data.columns) == 4

    # Controlla il limite inferiore di una colonna
    assert clean_data["open"].min() >= 0

    # Controlla l'intervallo di una colonna concatenando con "and"
    assert clean_data["open"].min() >= 0 and clean_data["open"].max() <= 1000

Let's practice!

ETL and ELT in Python