Sneak Peek in GX
Starke Arbeit beim Erstellen deines Data Context! Das ist der kraftvolle erste Schritt in die Welt von Great Expectations. Lass uns einen kleinen Vorgeschmack auf all die coolen Dinge werfen, die du bis zum Ende des Kurses machen kannst.
Der Code rechts verwendet den Data Context, um eine pandas Data Source und ein Data Asset zu erstellen, die das Format der Daten festlegen. Dann wird eine Batch Definition erstellt, um die Daten einzulesen. Abschließend wird eine Expectation Suite erstellt, die eine Expectation enthält, sowie eine Validation Definition, die die Expectation Suite gegen den Batch von Daten ausführt. Mach dir keine Sorgen, wenn dir diese Begriffe gerade noch nichts sagen – am Ende des Kurses ist alles klar!
Great Expectations wurde bereits als gx importiert.
Diese Übung ist Teil des Kurses
Einführung in Data Quality mit Great Expectations
Anleitung zur Übung
- Drücke
Run Code, um die Code-Ausgabe zu sehen.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create Data Context
context = gx.get_context()
# Create pandas Data Source, Data Asset, and Batch Definition
data_source = context.data_sources.add_pandas(
name="my_pandas_datasource"
)
data_asset = data_source.add_dataframe_asset(
name="my_data_asset"
)
batch_definition = data_asset.add_batch_definition_whole_dataframe(
name="my_batch_definition"
)
batch = batch_definition.get_batch(
batch_parameters={"dataframe": dataframe}
)
# Create Expectation Suite and Validation Definition
suite = context.suites.add(
gx.ExpectationSuite(name="my_suite", suite_parameters={})
)
validation_definition = gx.ValidationDefinition(
data=batch_definition, suite=suite, name="validation"
)
# Establish and evaluate an Expectation
expectation = gx.expectations.ExpectTableRowCountToBeBetween(
min_value=50000, max_value=100000
)
validation_results = batch.validate(expect=expectation)
print(validation_results.success)