Untersuche deinen Batch

In dieser Übung übst du, dir deine Daten über deinen Batch anzusehen. Der Data Context wurde erstellt, ein Data Asset wurde der Variablen data_asset zugewiesen, und die Kaggle Weather Data wurde in ein pandas-DataFrame namens dataframe geladen. Great Expectations und pandas sind als gx bzw. pd verfügbar.

Diese Übung ist Teil des Kurses

Einführung in Data Quality mit Great Expectations

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create Batch Definition and Batch
batch_definition = data_asset.add_batch_definition_whole_dataframe(
  name="my_batch_definition"
)
batch = batch_definition.get_batch(
  batch_parameters={"dataframe": dataframe}
)

# Print columns list
batch_columns = batch.____()
print(batch_columns)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in Data Quality mit Great Expectations

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Verstehe, warum Great Expectations (GX) ein so leistungsstarkes Tool zur Überwachung der Datenqualität ist. Mach dich mit den Grundlagen von GX vertraut – einschließlich dem Starten einer Session mit einem Data Context und dem Laden eines pandas-Dataframes mithilfe von Data Source, Data Asset und Batch Definition.

Exercise 1: Erzeuge einen Data Context Exercise 2: Erstelle deinen Data Context Exercise 3: Sneak Peek in GX Exercise 4: Begriffsdefinitionen Exercise 5: Mit Daten verbinden Exercise 6: Begriffe wiederholen Exercise 7: Erstelle eine Data Source und ein Data Asset Exercise 8: Daten in Batches einlesen Exercise 9: Erstelle eine Batch Definition und eine Batch Exercise 10: Untersuche deinen Batch

Aktuelle Übung

Erstelle und bewerte grundlegende Shape- und Schema-Expectations. Validiere deine Expectations einzeln, als Teil einer Expectation Suite mit einer Batch Definition oder mithilfe einer Validation Definition.

Exercise 1: Expectations erstellen Exercise 2: Erstelle eine Spaltenanzahl-Expectation Exercise 3: Validierungsergebnisse auswerten Exercise 4: Schema-Expectations Exercise 5: Lege eine Expectation für einen Spaltennamen fest Exercise 6: Lege eine Expectation für einen Spaltenbereich fest Exercise 7: Eine Suite von Expectations erstellen Exercise 8: Erstelle eine Expectation Suite Exercise 9: Validiere deine Expectation Suite Exercise 10: Expectation Suites validieren Exercise 11: Erstelle und führe eine Validation Definition aus Exercise 12: Validation Definition vs. Batch Definition

Lerne praxisnahe Skills, mit denen du die dynamische Natur von Expectations in der realen Welt meisterst. Setze Validation Definitions per Checkpoints ein, aktualisiere deine Expectation Suites und erfahre, wie du wichtige GX-Komponenten hinzufügst, abrufst, auflistest und löschst.

Exercise 1: Validierungsdefinitionen bereitstellen Exercise 2: Concept Check Exercise 3: Erstelle einen Checkpoint Exercise 4: Expectation Suites aktualisieren Exercise 5: Eine Expectation kopieren Exercise 6: Eine Expectation löschen Exercise 7: Eine Expectation aktualisieren Exercise 8: Komponenten verwalten Exercise 9: Komponenten hinzufügen und auflisten Exercise 10: Einen Checkpoint verwalten

Tauche direkt ein in die Welt der Expectations. Übe das Erstellen grundlegender Spalten-Expectations, numerischer Expectations auf Zeilen- und Aggregationsebene, String- und String-Parseability-Expectations und mehr. Lerne, wie du Expectations nur auf bestimmte Zeilen eines Dataframes anwendest.

Exercise 1: Grundlegende Spalten-Expectations Exercise 2: Erstelle Row-Level-Expectations Exercise 3: Aggregatbezogene Expectations festlegen Exercise 4: Typbezogene Expectations Exercise 5: Numerische Expectations festlegen Exercise 6: String-Expectations festlegen Exercise 7: Bedingte Expectations Exercise 8: Formuliere eine Conditional Expectation Exercise 9: Eine bedingte Expectation invertieren Exercise 10: Abschluss