Podmíněná očekávání

Úvod do kvality dat s Great Expectations

Davina Moossazadeh

Data Scientist

Co jsou podmíněná očekávání?

Podmíněná očekávání – očekávání pro podmnožinu dat

Proč? Některé proměnné závisí na hodnotách jiných proměnných

Například:

  • Očekávání, že hodnota sloupce star_rating musí být 0 pro všechny řádky s hodnotou 0 ve sloupci review_count
1 https://docs.greatexpectations.io/docs/core/customize_expectations/expectation_conditions/
Úvod do kvality dat s Great Expectations

Syntaxe podmíněných očekávání

Očekávání datové sady lze převést na podmíněná pomocí dvou dalších argumentů:

  1. row_condition
    • řetězec s logickým výrazem definující podmnožinu dat, na kterou se podmíněné očekávání vztahuje
  2. condition_parser
    • řetězec definující syntaxi row_condition
Úvod do kvality dat s Great Expectations

Analyzátor podmínek

Při použití podmíněných očekávání s pandas musí být tento argument nastaven na "pandas"

expectation = gx.Expect...(
    **kwargs,
    condition_parser="pandas",
    row_condition=...
)
Úvod do kvality dat s Great Expectations

Podmínka řádku

Syntaxe pandas
df["foo"] == 'Two Two'

df["foo"].notNull()

df["foo"] <= datetime.date(2023, 3, 13)

(df["foo"] < 5) & (df["foo"] >= 3.14)


df["foo"].str.startswith("bar")
row_condition v Great Expectations
'foo == "Two Two"'

'foo.notNull()'

'foo <= datetime.date(2023, 3, 13)'

'(foo > 5) & (foo <= 3.14)'
'foo > 5 and foo <= 3.14'

'foo.str.startswith("bar")'
Úvod do kvality dat s Great Expectations

Podmínka řádku

Pravidla

  1. Nepoužívejte jednoduché uvozovky uvnitř

    • row_condition="foo=='Two Two'"
    • row_condition='foo=="Two Two"' Zaškrtnutí označující správnou syntaxi `row_condition` ve druhém odrážce.

  2. Nepoužívejte zalomení řádků uvnitř

    • row_condition="""
foo=="Two Two"
"""
    • row_condition='foo=="Two Two"' Zaškrtnutí označující správnou syntaxi `row_condition` ve druhém odrážce.
Úvod do kvality dat s Great Expectations

Příklad očekávání: hvězdičkové hodnocení

Bez podmínky
expectation = gx.expectations.\
ExpectColumnValuesToBeBetween(
    column="price_usd",
    max_value=10,
)
validation_results = batch.validate(
    expect=expectation
)
print(validation_results.success)

False
Podmíněně
expectation = gx.expectations.\
ExpectColumnValuesToBeBetween(
    column="price_usd",
    max_value=10,
    condition_parser='pandas',
    row_condition='mark_price_usd < 10',
)
validation_results = batch.validate(
    expect=expectation
)
print(validation_results.success)

True
Úvod do kvality dat s Great Expectations

Pojďme procvičovat!

Úvod do kvality dat s Great Expectations

Preparing Video For Download...