Recapitulare

Introducere în calitatea datelor cu Great Expectations

Davina Moossazadeh

Data Scientist

Capitolul 1: Conectarea la date

Crearea unui Data Context

context = gx.get_context()

Capitolul 1: Conectarea la date

Conectarea la date

Creare sursă de date din Data Context:

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

Creare activ de date din sursa de date:

data_asset = data_source.add_dataframe_asset(
    name: str
)

Capitolul 1: Conectarea la date

Citirea datelor în loturi

Creare definiție de lot din activul de date:

batch_definition = data_asset. \
add_batch_definition_whole_dataframe(
  name: str
)

Creare lot din definiția de lot:

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

Obținerea rândurilor din DataFrame-ul lotului:

batch.head(fetch_all: bool)

Obținerea listei de coloane din DataFrame-ul lotului:

batch.columns()

Capitolul 2: Definirea așteptărilor

Crearea așteptărilor

Creare așteptare: gx.expectations.Expect...(...)

Creare așteptare privind numărul de rânduri:

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

Validare așteptare:

validation_results = batch.validate(
    expect=expectation
)

Verificarea rezultatelor validării:

validation_results.describe()
validation_results.success
validation_results.result

Capitolul 2: Definirea așteptărilor

Așteptări privind schema

Așteptări privind forma:

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

Așteptări privind numele coloanelor:

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

Capitolul 2: Definirea așteptărilor

Crearea unui set de așteptări

Creare set de așteptări:

suite = gx.ExpectationSuite(name: str)

Adăugare așteptare în set:

suite.add_expectation(expectation)

Accesarea așteptărilor din set:

suite.expectations

Validare set de așteptări:

validation_results = batch.validate(
    expect=suite
)

Verificarea rezultatelor validării:

validation_results.success
validation_results.describe()

Capitolul 2: Definirea așteptărilor

Validarea seturilor de așteptări

Adăugare set de așteptări în Data Context:

context.suites.add(suite)

Creare definiție de validare:

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

Rulare validare:

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

Verificarea rezultatelor validării:

validation_results.success
validation_results.describe()

Capitolul 3: GX în practică

Implementarea definițiilor de validare

Adăugare definiție de validare în Data Context:

context.validation_definitions.add(
    validation_definition
)

Creare Checkpoint:

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

Rulare Checkpoint:

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

Verificarea rezultatelor Checkpoint:

checkpoint_results.success

Capitolul 3: GX în practică

Actualizarea seturilor de așteptări

Copiere așteptare:

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

Verificare dacă așteptarea este în set:

expectation in suite.expectations

Ștergere așteptare:

suite.delete_expectation(expectation)

Actualizare valoare așteptare:

expectation.value = new_value

Salvare modificări ale așteptării:

expectation.save()

Salvare modificări ale setului de așteptări:

suite.save()

Capitolul 3: GX în practică

Gestionarea componentelor

Adăugare componentă în Data Context:

context.data_sources.add(data_source)

context.suites.add(suite)

context.validation_definitions.add(
    validation_definition
)

context.checkpoints.add(checkpoint)

Recuperare componentă:

.get(name: str)

Listare componente:

.all()

Ștergere componentă:

.delete(name: str)

Capitolul 4: Tot despre așteptări

Așteptări de bază pentru coloane

Așteptări la nivel de rând:

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

Așteptări la nivel de agregare:

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

Capitolul 4: Tot despre așteptări

Așteptări specifice tipului de date

Așteptări numerice:

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)

Așteptări pentru șiruri de caractere:

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

Capitolul 4: Tot despre așteptări

Așteptări condiționale

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

Cuvinte finale

Resurse:

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

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

Galeria de așteptări:

www.greatexpectations.io/expectations

Felicitări!

Introducere în calitatea datelor cu Great Expectations