Sammanfattning

Introduktion till datakvalitet med Great Expectations

Davina Moossazadeh

Data Scientist

Kapitel 1: Ansluta till data

Skapa en Data Context

context = gx.get_context()

Kapitel 1: Ansluta till data

Anslut till data

Skapa Data Source från Data Context:

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

Skapa Data Asset från Data Source:

data_asset = data_source.add_dataframe_asset(
    name: str
)

Kapitel 1: Ansluta till data

Läs data i batchar

Skapa Batch Definition från Data Asset:

batch_definition = data_asset. \
add_batch_definition_whole_dataframe(
  name: str
)

Skapa Batch från Batch Definition:

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

Hämta rader ur Batch DataFrame:

batch.head(fetch_all: bool)

Hämta kolumnlista ur Batch DataFrame:

batch.columns()

Kapitel 2: Definiera Expectations

Skapa Expectations

Skapa en Expectation: gx.expectations.Expect...(...)

Skapa en Expectation för radantal:

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

Validera Expectation:

validation_results = batch.validate(
    expect=expectation
)

Kontrollera valideringsresultat:

validation_results.describe()
validation_results.success
validation_results.result

Kapitel 2: Definiera Expectations

Schema-Expectations

Expectations för form:

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

Expectations för kolumnnamn:

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

Kapitel 2: Definiera Expectations

Skapa en Expectation Suite

Skapa Expectation Suite:

suite = gx.ExpectationSuite(name: str)

Lägg till Expectation i Suite:

suite.add_expectation(expectation)

Kom åt Suitens Expectations:

suite.expectations

Validera Expectation Suite:

validation_results = batch.validate(
    expect=suite
)

Kontrollera valideringsresultat:

validation_results.success
validation_results.describe()

Kapitel 2: Definiera Expectations

Validera Expectation Suites

Lägg till Expectation Suite i Data Context:

context.suites.add(suite)

Skapa Validation Definition:

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

Kör validering:

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

Kontrollera valideringsresultat:

validation_results.success
validation_results.describe()

Kapitel 3: GX i praktiken

Driftsätt Validation Definitions

Lägg till Validation Definition i Data Context:

context.validation_definitions.add(
    validation_definition
)

Skapa Checkpoint:

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

Kör Checkpoint:

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

Kontrollera Checkpoint-resultat:

checkpoint_results.success

Kapitel 3: GX i praktiken

Uppdatera Expectation Suites

Kopiera Expectation:

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

Kontrollera om Expectation finns i Suite:

expectation in suite.expectations

Ta bort Expectation:

suite.delete_expectation(expectation)

Uppdatera Expectations värde:

expectation.value = new_value

Spara ändringar i Expectation:

expectation.save()

Spara ändringar i Expectation Suite:

suite.save()

Kapitel 3: GX i praktiken

Hantera komponenter

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)

Kapitel 4: Expectations på djupet

Grundläggande kolumn-Expectations

Expectations på radnivå:

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

Expectations på aggregatnivå:

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

Kapitel 4: Expectations på djupet

Typspecifika Expectations

Numeriska Expectations:

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)

Expectations för strängar:

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

Kapitel 4: Expectations på djupet

Villkorsstyrda Expectations

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

Avslutande ord

Resurser:

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

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

Expectation Gallery:

www.greatexpectations.io/expectations

Grattis!

Introduktion till datakvalitet med Great Expectations