Shrnutí

Úvod do kvality dat s Great Expectations

Davina Moossazadeh

Data Scientist

Kapitola 1: Připojení k datům

Vytvoření datového kontextu

context = gx.get_context()

Kapitola 1: Připojení k datům

Připojení k datům

Vytvoření datového zdroje z datového kontextu:

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

Vytvoření datového aktiva z datového zdroje:

data_asset = data_source.add_dataframe_asset(
    name: str
)

Kapitola 1: Připojení k datům

Čtení dat v dávkách

Vytvoření definice dávky z datového aktiva:

batch_definition = data_asset. \
add_batch_definition_whole_dataframe(
  name: str
)

Vytvoření dávky z definice dávky:

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

Získání řádků DataFrame dávky:

batch.head(fetch_all: bool)

Získání seznamu sloupců DataFrame dávky:

batch.columns()

Kapitola 2: Definování očekávání

Vytvoření očekávání

Vytvoření očekávání: gx.expectations.Expect...(...)

Vytvoření očekávání počtu řádků:

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

Validace očekávání:

validation_results = batch.validate(
    expect=expectation
)

Kontrola výsledků validace:

validation_results.describe()
validation_results.success
validation_results.result

Kapitola 2: Definování očekávání

Očekávání schématu

Očekávání tvaru:

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

Očekávání názvů sloupců:

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

Kapitola 2: Definování očekávání

Vytvoření sady očekávání

Vytvoření sady očekávání:

suite = gx.ExpectationSuite(name: str)

Přidání očekávání do sady:

suite.add_expectation(expectation)

Přístup k očekáváním sady:

suite.expectations

Validace sady očekávání:

validation_results = batch.validate(
    expect=suite
)

Kontrola výsledků validace:

validation_results.success
validation_results.describe()

Kapitola 2: Definování očekávání

Validace sad očekávání

Přidání sady očekávání do datového kontextu:

context.suites.add(suite)

Vytvoření definice validace:

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

Spuštění validace:

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

Kontrola výsledků validace:

validation_results.success
validation_results.describe()

Kapitola 3: GX v praxi

Nasazení definic validace

Přidání definice validace do datového kontextu:

context.validation_definitions.add(
    validation_definition
)

Vytvoření kontrolního bodu:

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

Spuštění kontrolního bodu:

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

Kontrola výsledků kontrolního bodu:

checkpoint_results.success

Kapitola 3: GX v praxi

Aktualizace sad očekávání

Kopírování očekávání:

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

Kontrola přítomnosti očekávání v sadě:

expectation in suite.expectations

Odstranění očekávání:

suite.delete_expectation(expectation)

Aktualizace hodnoty očekávání:

expectation.value = new_value

Uložení změn očekávání:

expectation.save()

Uložení změn sady očekávání:

suite.save()

Kapitola 3: GX v praxi

Správa komponent

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()

Odstranění komponenty:

.delete(name: str)

Kapitola 4: Vše o očekáváních

Základní očekávání pro sloupce

Očekávání na úrovni řádků:

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

Očekávání na úrovni agregací:

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

Kapitola 4: Vše o očekáváních

Typově specifická očekávání

Numerická očekávání:

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)

Řetězcová očekávání:

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

Kapitola 4: Vše o očekáváních

Podmíněná očekávání

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

Závěrečná slova

Zdroje:

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

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

Galerie očekávání:

www.greatexpectations.io/expectations

Gratulujeme!

Úvod do kvality dat s Great Expectations