Hantera komponenter

Introduktion till datakvalitet med Great Expectations

Davina Moossazadeh

Data Scientist

Komponenter

GX-komponenter – Python-klasser som representerar data och datavalideringsentiteter

Data Context
Data Sources & Data Assets
Batch Definitions & Batches
Expectations
Expectation Suites
Validation Definitions
Checkpoints & Actions
Data Docs

¹ https://docs.greatexpectations.io/docs/core/introduction/gx_overview

Komponenthantering i GX

Data Sources:

ansluter till data och innehåller Data Assets

Expectation Suites:

samlar Expectations

Validation Definitions:

validerar Expectations mot data

Checkpoints:

grupperar och automatiserar valideringar

context.data_sources

context.suites

context.validation_definitions

context.checkpoints

Lägga till komponenter

Expectation Suite:

suite = context.suites.add(suite)

Validation Definition:

validation_definition = context.validation_definitions.add(validation_definition)

Checkpoint:

checkpoint = context.checkpoints.add(
    checkpoint=checkpoint
)

Lägga till en Data Source

data_source = context.data_sources.add_<TYPE_NAME>()

¹ https://docs.greatexpectations.io/docs/core/connect_to_data/

Lägga till en pandas Data Source

Använd .add_pandas() för att enkelt konfigurera en Data Source för pandas DataFrames:

data_source = context.data_sources.add_pandas(
    name="my_pandas_datasource"
)

Hämta komponenter

Hämta komponenter med .get() genom att ange deras namnparameter:

context.<COMPONENT>s.get(

    name: str
)

data_source = context.data_sources.get(

    name="my_pandas_datasource"
)

print(data_source)

id: 46c91f1b-1db9-4351-b5dd-83e038c0f511
name: 'my_pandas_datasource'
type: pandas

Hämta komponenter

Data Sources:

context.data_sources.get(
    name="my_pandas_datasource"
)

Expectation Suites:

context.suites.get(
    name="my_suite"
)

Validation Definitions:

context.validation_definitions.get(
    name="my_validation_definition"
)

Checkpoints:

context.checkpoints.get(
    name="my_checkpoint"
)

Lista komponenter

Använd .all() för att lista alla komponenter i din Data Context, inklusive namn och metadata:

context.<COMPONENT>s.all()

data_sources = context.data_sources.all()

print(data_sources)

{
    'my_pandas_datasource': PandasDatasource(
        type='pandas',
        name='my_pandas_datasource', 
        id=UUID('c22b16f7-6945-400e-932f-026cbd63b112'), 
        assets=[]
    )
}

Lista komponenter

Data Sources:

context.data_sources.all()

Expectation Suites:

context.suites.all()

Validation Definitions:

context.validation_definitions.all()

Checkpoints:

context.checkpoints.all()

Ta bort komponenter

Använd .delete() för att ta bort komponenter genom att ange deras namn:

context.<COMPONENT>s.delete(

    name: str
)

context.data_sources.delete(
    name="my_pandas_datasource"
)

print(context.data_sources.all())

{}

Ta bort komponenter

Data Sources:

context.data_sources.delete(
    name="my_pandas_datasource"
)

Expectation Suites:

context.suites.delete(
    name="my_suite"
)

Validation Definitions:

context.validation_definitions.delete(
    name="my_validation_definition"
)

Checkpoints:

context.checkpoints.delete(
    name="my_checkpoint"
)

Snabbreferens

Lägg till en komponent i Data Context:

context.data_sources.add(data_source)

context.suites.add(suite)

context.validation_definitions.add(
    validation_definition
)

context.checkpoints.add(checkpoint)

Hämta en komponent:

.get(name: str)

Lista komponenter:

.all()

Ta bort en komponent:

.delete(name: str)

Nu kör vi en övning!

Introduktion till datakvalitet med Great Expectations