Grundläggande kolumnförväntningar

Introduktion till datakvalitet med Great Expectations

Davina Moossazadeh

Data Scientist

Shein Footwear-datasetet

De fem första raderna i Kaggles Shein Footwear-dataset, inläst i pandas. DataFrame:n har följande kolumner: "name", "link", "price_usd", "mark_price_usd", "star_rating", "colour", "seller_name", "review_count", "sku_id" och "hero_image".

¹ https://www.kaggle.com/datasets/atharvataras/shein-footwear-dataset

Radnivåförväntningar

Radnivåförväntningar tillämpas på varje rad individuellt
- lyckas bara om villkoret gäller för varje rad

Radnivåförväntningar

Förväntning om saknade värden

gx.expectations.ExpectColumnValuesToNotBeNull(
    column="colour"
)

Typförväntning

gx.expectations.ExpectColumnValuesToBeOfType(
    column="review_count", type_="str"
)

Aggregatnivåförväntningar: distinkta värden

Förväntning om distinkta värden

gx.expectations.ExpectColumnDistinctValuesToEqualSet(
    column="seller_name", value_set={"Womens Shoes"}
)

Aggregatnivåförväntningar: antal unika värden

Förväntning om antal unika värden

gx.expectations.ExpectColumnUniqueValueCountToBeBetween(
    column="review_count", min_value=5, max_value=101
)

Aggregatnivåförväntningar: unikhet

Unikhetsförväntning

gx.expectations.ExpectColumnValuesToBeUnique(
    column="sku_id"
)

Aggregatnivåförväntningar: modalvärde

Modalvärdesförväntning

gx.expectations.ExpectColumnMostCommonValueToBeInSet(
    column="colour", value_set={"Khaki", "Purple", "Grey"}
)

Snabbreferens

Radnivåförväntningar:

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

Aggregatnivåförväntningar:

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

Nu kör vi en övning!

Introduktion till datakvalitet med Great Expectations