CommencezCommencez gratuitement

Aperçu de GX

Bravo pour la création de votre Data Context! C'est une première étape déterminante pour plonger dans l'univers de Great Expectations. Jetons un coup d'œil à tout ce que vous pourrez faire d'ici la fin du cours.

Le code à droite utilise le Data Context pour créer une Data Source pandas et un Data Asset, qui définissent le format des données. Ensuite, il crée une Batch Definition pour lire les données. Enfin, il crée une Expectation Suite, qui contient une Expectation, ainsi qu'une Validation Definition, qui exécute l'Expectation Suite sur le lot (Batch) de données. Ne vous en faites pas si ces termes ne sont pas clairs pour l'instant — tout deviendra limpide d'ici la fin du cours!

Great Expectations a déjà été importé pour vous sous le nom gx.

Cette activité fait partie du cours

Introduction à la qualité des données avec Great Expectations

Voir le cours

Instructions de l’exercice

  • Appuyez sur Run Code pour voir le résultat du code.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code