Stel een Expectation voor het aantal kolommen in

In de vorige video leerden we over de ExpectTableRowCountToEqual(value: int) Expectation voor het aantal rijen in een tabel. Zoals we aan het einde van de video zagen, heeft Great Expectations ook een Expectation genaamd ExpectTableColumnCountToEqual(value: int). Deze klasse werkt precies hetzelfde, maar is van toepassing op het aantal kolommen in plaats van het aantal rijen. In deze oefening implementeer je de klasse om een Expectation voor het aantal kolommen te maken en te valideren.

Je gebruikt dezelfde Renewable Power Generation-gegevensset die we in de video noemden. Je kunt meer over de gegevensset lezen hier.

De gegevensset is al in een Batch geladen en toegewezen aan de variabele batch. Great Expectations en pandas zijn beschikbaar als gx respectievelijk pd.

Deze oefening maakt deel uit van de cursus

Kennismaking met Datakwaliteit met Great Expectations

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.


# Create table column count Expectation
expectation = gx.expectations.____(
	value=____
)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Kennismaking met Datakwaliteit met Great Expectations

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

Understand why Great Expectations (GX) is such a powerful tool for monitoring data quality. Get familiar with the basics of GX, including how to start a session using a Data Context, and how to load in a pandas dataframe using a Data Source, Data Asset, and Batch Definition.

Exercise 1: Create a Data Context Exercise 2: Create your Data Context Exercise 3: Sneak Peek into GX Exercise 4: Keyword Definitions Exercise 5: Connect to Data Exercise 6: Concept Review Exercise 7: Create a Data Source and Data Asset Exercise 8: Read Data in Batches Exercise 9: Create a Batch Definition and Batch Exercise 10: Inspect your Batch

Create and evaluate basic shape and schema Expectations. Validate your Expectations either individually, as part of an Expectation Suite with a Batch Definition, or using a Validation Definition.

Exercise 1: Expectations maken Exercise 2: Stel een Expectation voor het aantal kolommen in

Huidige oefening

Exercise 3: Validatieresultaten evalueren Exercise 4: Schema-verwachtingen Exercise 5: Maak een Expectation voor een kolomnaam Exercise 6: Stel een kolombereik-Expectation op Exercise 7: Maak een set Expectations Exercise 8: Maak een Expectation Suite Exercise 9: Valideer je Expectation Suite Exercise 10: Validatie van Expectation Suites Exercise 11: Maak en voer een Validation Definition uit Exercise 12: Validation Definition vs. Batch Definition

Learn practical skills that will help you dominate the dynamic nature of Expectations in the real world. Deploy Validation Definitions using Checkpoints; update your Expectation Suites; and learn how to add, retrieve, list, and delete key GX components.

Exercise 1: Deploy Validation Definitions Exercise 2: Concept Check Exercise 3: Create a Checkpoint Exercise 4: Update Expectation Suites Exercise 5: Copy an Expectation Exercise 6: Delete an Expectation Exercise 7: Update an Expectation Exercise 8: Manage Components Exercise 9: Add and list components Exercise 10: Manage a Checkpoint

Dive head-first into the world of Expectations. Practice creating basic column Expectations, row- and aggregate-level numeric Expectations, string and string parseability Expectations, and more. Learn how to apply Expectations to only some rows of a dataframe.

Exercise 1: Basic Column Expectations Exercise 2: Establish row-level Expectations Exercise 3: Establish aggregate-level Expectations Exercise 4: Type-Specific Expectations Exercise 5: Establish numeric Expectations Exercise 6: Establish string Expectations Exercise 7: Conditional Expectations Exercise 8: Write up a Conditional Expectation Exercise 9: Invert a Conditional Expectation Exercise 10: Wrap-Up