Správa komponent

Úvod do kvality dat s Great Expectations

Davina Moossazadeh

Data Scientist

Komponenty

Komponenty GX – třídy Pythonu reprezentující data a entity pro validaci dat

Data Context
Zdroje dat & datové assety
Definice dávek & dávky
Očekávání
Sady očekávání
Definice validací
Checkpointy & akce
Data Docs

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

Správa komponent v GX

Zdroje dat:

připojují se k datům a obsahují datové assety

Sady očekávání:

uchovávají očekávání

Definice validací:

validují očekávání vůči datům

Checkpointy:

seskupují a automatizují validace

context.data_sources

context.suites

context.validation_definitions

context.checkpoints

Přidávání komponent

Sada očekávání:

suite = context.suites.add(suite)

Definice validace:

validation_definition = context.validation_definitions.add(validation_definition)

Checkpoint:

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

Přidání zdroje dat

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

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

Přidání zdroje dat pandas

Použijte .add_pandas() pro snadné nastavení zdroje dat pro pandas DataFrames:

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

Načítání komponent

Načtěte komponenty pomocí .get() zadáním parametru name:

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

Načítání komponent

Zdroje dat:

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

Sady očekávání:

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

Definice validací:

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

Checkpointy:

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

Výpis komponent

Pomocí .all() zobrazíte seznam všech komponent v datovém kontextu včetně jejich názvů a metadat:

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=[]
    )
}

Výpis komponent

Zdroje dat:

context.data_sources.all()

Sady očekávání:

context.suites.all()

Definice validací:

context.validation_definitions.all()

Checkpointy:

context.checkpoints.all()

Mazání komponent

Použijte .delete() pro odstranění komponenty zadáním jejího názvu:

context.<COMPONENT>s.delete(

    name: str
)

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

print(context.data_sources.all())

{}

Mazání komponent

Zdroje dat:

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

Sady očekávání:

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

Definice validací:

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

Checkpointy:

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

Přehled příkazů

Přidání komponenty do datového kontextu:

context.data_sources.add(data_source)

context.suites.add(suite)

context.validation_definitions.add(
    validation_definition
)

context.checkpoints.add(checkpoint)

Načtení komponenty:

.get(name: str)

Výpis komponent:

.all()

Smazání komponenty:

.delete(name: str)

Pojďme procvičovat!

Úvod do kvality dat s Great Expectations