Crearea Expectation-urilor

Introducere în calitatea datelor cu Great Expectations

Davina Moossazadeh

Data Scientist

Expectations

Expectation - O afirmație verificabilă despre date

Expectations pentru coloane
Expectations pentru formă și schemă
- schemă - structura unui set de date

¹ https://docs.greatexpectations.io/docs/reference/learn/terms/expectation

Expectations

Expectation - O afirmație verificabilă despre date

Expectations pentru coloane
Expectations pentru formă și schemă
- schemă - structura unui set de date

¹ https://docs.greatexpectations.io/docs/reference/learn/terms/expectation

Setul de date privind Producția de Energie Regenerabilă

Un DataFrame pandas cu datele privind Producția de Energie Regenerabilă, cu coloanele: „Time", „Energy delta[Wh]", „GHI", „temp", „pressure", „humidity", „wind_speed", „rain_1h", „snow_1h" și „clouds_all". DataFrame-ul conține 118.066 de rânduri.

¹ https://www.kaggle.com/datasets/pythonafroz/renewable-power-generation-and-weather-conditions

Crearea unui Expectation

gx.expectations.Expect...(...)

Clase GX (Expectations): PascalCase

Funcții / metode GX: snake_case

¹ https://docs.greatexpectations.io/docs/core/define_expectations/create_an_expectation/

Crearea unui Expectation

row_count_expectation = gx.expectations.ExpectTableRowCountToEqual(

    value=118000
)

validation_results = batch.validate(

    expect=row_count_expectation
)

¹ https://docs.greatexpectations.io/docs/core/define_expectations/create_an_expectation/ https://docs.greatexpectations.io/docs/core/define_expectations/test_an_expectation/

Evaluarea unui Expectation

print(validation_results)

{ 
    "success": false,
    "expectation_config": {
        "type": "expect_table_row_count_to_equal",
        "kwargs": {"batch_id": "my_pandas_datasource-my_dataframe_asset", "value": 118000},
        "meta": {},
        "rendered_content": [{"name": "atomic.prescriptive.summary", "value": {"schema": {"type": "com.superconductive.rendered.string"}, "template": "Must have exactly $value rows.", "params": {"value": {"schema": {"type": "number"}, "value": 118000}}}, "value_type": "StringValueType"}]
    },
    "result": {"observed_value": 118066},
    "meta": {},
    "exception_info": {"raised_exception": false, "exception_traceback": null, "exception_message": null},
    "rendered_content": [{"name": "atomic.diagnostic.observed_value", "value": {"schema": {"type": "com.superconductive.rendered.string"}, "template": "118066", "params": {}}, "value_type": "StringValueType"}]
}

¹ https://docs.greatexpectations.io/docs/core/run_validations/run_a_validation_definition/

Evaluarea unui Expectation

print(validation_results.describe())

{
    "expectation_type": "expect_table_row_count_to_equal",
    "success": false,
    "kwargs": {
        "batch_id": "my_pandas_datasource-my_dataframe_asset",
        "value": 118000
    },
    "result": {
        "observed_value": 118066
    }
}

Evaluarea unui Expectation

print(validation_results.success)

False

print(validation_results["success"])

False

Evaluarea unui Expectation

print(validation_results.result)

{'observed_value': 118066}

print(validation_results["result"])

{'observed_value': 118066}

Alte Expectations frecvente

Expectations pentru formă:

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

Expectations pentru numele coloanelor:

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

Fișă de referință

Creare Expectation:

gx.expectations.Expect...(...)

Validare Expectation:

validation_results = batch.validate(
    expect=expectation
)

Expectation pentru numărul de rânduri:

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

Verificarea rezultatelor validării:

validation_results.describe()
validation_results.success
validation_results.result

Să exersăm!

Introducere în calitatea datelor cu Great Expectations