Aplikace Expectations na nová data

Úvod do kvality dat s Great Expectations

Davina Moossazadeh

Data Scientist

Checkpointy

Checkpoint – objekt, který seskupuje a spouští Validation Definitions se sdílenými parametry

Schéma znázorňující Checkpoint s následujícím pracovním tokem: Batch Requests -> Data Source -> Validation Definition. Validation Definition produkuje Validation Results, které vstupují do volitelného seznamu akcí obsahujícího jednu nebo více Actions.

Actions – komponenty konfigurované Checkpointy, které na základě Validation Results integrují GX s dalšími nástroji

¹ https://docs.greatexpectations.io/docs/core/trigger_actions_based_on_results/create_a_checkpoint_with_actions/

Proč používat Checkpointy?

Znovupoužitelnost

Lze spustit více Validation Definitions vůči jednomu Batchi

Actions

Lze spouštět Actions na základě Validation Results

Vytvoření Checkpointu

Vytvoření Checkpointu s Slack notifikací pomocí gx.Checkpoint():

checkpoint = gx.Checkpoint(

    name="my_checkpoint",

    validation_definitions=[validation_definition],

    actions=[SlackNotificationAction()]  # optional
)

Chyby Checkpointu

Spuštění Checkpointu před přidáním Validation Definition do Data Context vyvolá chybu:

CheckpointRelatedResourcesFreshnessError: 
ValidationDefinition 'my_validation_definition' must be added to the DataContext 
before it can be updated. Please call `context.validation_definitions.add(
<VALIDATION_DEFINITION_OBJECT>)`, then try your action again.

Přidání Validation Definition

Přidejte Validation Definition do Data Context pomocí .validation_definitions.add():

validation_definition = context.validation_definitions.add(

    validation_definition=validation_definition
)

Spuštění Checkpointu

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

Výsledky Checkpointu. Výstup je dlouhý a nevejde se na snímek.

Vyhodnocení výsledků Checkpointu

print(checkpoint_results.success)

False

print(checkpoint_results.describe())

Vyhodnocení výsledků Checkpointu

{ "success": false,
  "statistics": {
    "evaluated_expectations": 1, "successful_expectations": 0,
    "unsuccessful_expectations": 1, "success_percent": 0.0
  },
  "expectations": [{
    "expectation_type": "expect_table_row_count_to_equal",
    "success": false,
    "kwargs": {"batch_id": ""my_datasource-my_dataframe_asset", "value": 118000}, 
    "result": {"observed_value": 11866}}
  ],
  "result_url": "https://app.greatexpectations.io/organizations/my_org/data-assets/*/validations/expectation-suites/0a123b9c-e370-4b18-b703-785dde88732d/results/cb093105-6ede-47d4-a141-dee10c632e18"
}

Data Docs

Data Docs – statické webové stránky generované z metadat GX

# Checkpoint with Action for Updating Data Docs
gx.Checkpoint(
    name,
    validation_definitions,
    actions=[
      gx.checkpoint.actions.UpdateDataDocsAction(
          name="update_my_site", site_names="my_data_docs_site"
        )
    ],
)

¹ https://docs.greatexpectations.io/docs/core/configure_project_settings/configure_data_docs/

Data Docs

Snímek obrazovky stránky Data Docs zobrazující seznam Expectations na úrovni tabulky a jejich pozorované hodnoty. U jedné Expectation pro rozsah počtu řádků je rozbalena tabulka Validation History s časem spuštění, pozorovanou hodnotou a minimální a maximální hodnotou. V pravém horním rohu je zelené pole se zaškrtnutím s textem „All Expectations met".

Přehled příkazů

Přidání Validation Definition do Data Context:

context.validation_definitions.add(
    validation_definition
)

Vytvoření Checkpointu:

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

Spuštění Checkpointu:

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

Kontrola výsledků Checkpointu:

checkpoint_results.success
checkpoint_results.describe()

Pojďme procvičovat!

Úvod do kvality dat s Great Expectations