Unit-Tests für eine Data-Pipeline mit Fixtures
Im letzten Video hast du gelernt, dass Unit-Tests Vertrauen in deine Data-Pipeline schaffen und schon während der Entwicklung Bugs aufdecken können. In dieser Übung schreibst du sowohl Fixtures als auch Unit-Tests mit der Bibliothek pytest und assert.
Die transform-Funktion, für die du Unit-Tests schreibst, siehst du unten zur Referenz. pandas wurde als pd importiert, und die Bibliothek pytest() ist geladen und einsatzbereit.
def transform(raw_data):
raw_data["tax_rate"] = raw_data["total_taxes_paid"] / raw_data["total_taxable_income"]
raw_data.set_index("industry_name", inplace=True)
return raw_data
Diese Übung ist Teil des Kurses
<Kurs>ETL und ELT in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Define a pytest fixture
@pytest.fixture()
____ ____():
raw_data = pd.read_csv("raw_tax_data.csv")
# Transform the raw_data, store in clean_data DataFrame, and return the variable
clean_data = ____
return ____