Begrijp waarom Great Expectations (GX) zo’n krachtig hulpmiddel is voor het monitoren van datakwaliteit. Maak kennis met de basis van GX, waaronder hoe je een sessie start met een Data Context en hoe je een pandas-dataframe inlaadt met behulp van een Data Source, Data Asset en Batch Definition.

Een Data Context maken

Maak je Data Context

Sneak peek van GX

Definities van kernbegrippen

Verbinden met data

Conceptcheck

Maak een Data Source en Data Asset

Gegevens in batches lezen

Maak een Batch Definition en een Batch

Inspecteer je Batch

Verbinding maken met data

Maak en evalueer basis-Expectations voor vorm en schema. Valideer je Expectations afzonderlijk, als onderdeel van een Expectation Suite met een Batch Definition, of met een Validation Definition.

Expectations maken

Stel een Expectation voor het aantal kolommen in

Validatieresultaten evalueren

Schema-verwachtingen

Maak een Expectation voor een kolomnaam

Stel een kolombereik-Expectation op

Maak een set Expectations

Maak een Expectation Suite

Valideer je Expectation Suite

Validatie van Expectation Suites

Maak en voer een Validation Definition uit

Validation Definition vs. Batch Definition

Expectations opstellen

Leer praktische vaardigheden die je helpen om te gaan met de dynamische aard van Expectations in de echte wereld. Implementeer Validation Definitions met Checkpoints, werk je Expectation Suites bij en leer hoe je belangrijke GX-componenten toevoegt, ophaalt, lijst en verwijdert.

Validatiedefinities implementeren

Opties

Checkpoint

Action

Data Docs

Maak een Checkpoint

Expectation Suites bijwerken

Kopieer een Expectation

Verwijder een Expectation

Werk een Expectation bij

Onderdelen beheren

Componenten toevoegen en weergeven

Beheer een Checkpoint

GX in de praktijk

Duik vol erin in de wereld van Expectations. Oefen met het maken van basis-Expectations op kolommen, numerieke Expectations op rij- en aggregatieniveau, tekst- en tekst-parseerbaarheid-Expectations en meer. Leer hoe je Expectations alleen op bepaalde rijen van een dataframe toepast.

Basis-Expectations voor kolommen

Stel Expectations op rijniveau op

Stel aggregatieniveau-Expectations op

Type-specifieke Expectations

Stel numerieke Expectations op

Stel string-Expectations op

Conditionele Expectations

Schrijf een Conditionele Expectation

Keer een voorwaardelijke Expectation om

Afronding

Alles over Expectations

weather_new.csv

movie_dataset.csv

life_expectancy.csv

renewable_new.csv

shein_footwear_clean.csv

Great Expectations is een krachtige Python-bibliotheek voor het monitoren van datakwaliteit in data science- en engineering-workflows. Leer echte gegevenssets te koppelen, Expectations toepassen, bewerken en verwijderen, en pipelines bouwen om nieuwe gegevenssets in productie te valideren. Je verkent Expectations voor numerieke en tekstkolommen en schrijft validaties over meerdere kolommen. Aan het einde zorg je er vol vertrouwen voor dat je data aan kwaliteitsnormen voldoet.

Great Expectations is een superhandig hulpmiddel om de kwaliteit van gegevens te checken in datawetenschap en data-engineering. Het platform kan makkelijk in Python worden geïntegreerd, waardoor het een handige bibliotheek is voor Python-gebruikers om onder de knie te krijgen.

De kern van Great Expectations zijn verwachtingen, of dingen die je wilt checken over je data. Je begint deze cursus door te leren hoe je verbinding kunt maken met echte datasets en hoe je verwachtingen daarop kunt toepassen. Je leert dan hoe je verwachtingen kunt ophalen, bewerken en verwijderen, en hoe je pijplijnen kunt bouwen om verwachtingen toe te passen op nieuwe datasets in een productieomgeving.

Tot slot leer je over specifieke soorten verwachtingen, zoals voor numerieke en tekenreeks kolommen, en hoe je verwachtingen voor één kolom kunt schrijven op basis van de waarden van andere kolommen.

Aan het einde van deze cursus heb je een stevige basis in de Python-bibliotheek Great Expectations. Je kunt de belangrijkste functies van het platform gebruiken om de kwaliteit van je gegevens te checken, en je kunt je gegevens gebruiken met het vertrouwen dat ze voldoen aan je kwaliteitsnormen.

Data Manipulation with pandas

Zorg voor hoge datakwaliteit in data science en engineering met de Great Expectations-bibliotheek.

Kennismaking met Datakwaliteit met Great Expectations

Zorg voor topkwaliteit van je data in datawetenschap en data-engineering met de Great Expectations-bibliotheek van Python.

Machine Learning Engineer

Een object dat Validation Definitions groepeert en ze uitvoert met gedeelde parameters

Een component die je op Checkpoints kunt configureren en die Great Expectations integreert met andere tools op basis van een Validation Result

Statische website die wordt gegenereerd op basis van Great Expectations-metadata met details over Expectations, Validation Results, enz.

Conceptcheck

Kennismaking met Datakwaliteit met Great Expectations

Interactieve oefening met praktijkervaring