Inspecione seu Batch

Neste exercício, você vai praticar a visualização dos seus dados usando o seu Batch. O Data Context já foi criado, um Data Asset foi atribuído à variável data_asset, e o Kaggle Weather Data foi carregado em um DataFrame do pandas chamado dataframe. Great Expectations e pandas estão disponíveis como gx e pd, respectivamente.

Este exercício faz parte do curso

Introdução à Qualidade de Dados com Great Expectations

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)

Editar e executar o código

Este exercício faz parte do curso

Introdução à Qualidade de Dados com Great Expectations

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Entenda por que o Great Expectations (GX) é uma ferramenta tão poderosa para monitorar a qualidade de dados. Familiarize-se com os conceitos básicos do GX, incluindo como iniciar uma sessão usando um Data Context e como carregar um dataframe do pandas usando um Data Source, Data Asset e Batch Definition.

Exercise 1: Criar um Data Context Exercise 2: Crie seu Data Context Exercise 3: Visão rápida do GX Exercise 4: Definições de palavras-chave Exercise 5: Conectar aos dados Exercise 6: Revisão de conceitos Exercise 7: Criar um Data Source e um Data Asset Exercise 8: Ler dados em lotes Exercise 9: Crie uma Batch Definition e um Batch Exercise 10: Inspecione seu Batch

Exercício atual

Crie e avalie Expectations básicas de formato e esquema. Valide suas Expectations individualmente, como parte de uma Expectation Suite com uma Batch Definition ou usando uma Validation Definition.

Exercise 1: Criar Expectations Exercise 2: Defina uma Expectation de contagem de colunas Exercise 3: Avaliar os resultados da validação Exercise 4: Expectations de Esquema Exercise 5: Estabeleça uma Expectation de nome de coluna Exercise 6: Estabelecer uma Expectation de Intervalo de Colunas Exercise 7: Criar um conjunto de Expectations Exercise 8: Crie uma Expectation Suite Exercise 9: Valide sua Expectation Suite Exercise 10: Validar conjuntos de Expectations Exercise 11: Crie e execute uma Validation Definition Exercise 12: Validation Definition vs. Batch Definition

Aprenda habilidades práticas que vão ajudar você a dominar a natureza dinâmica das Expectations no mundo real. Faça o deploy de Validation Definitions usando Checkpoints; atualize suas Expectation Suites; e saiba como adicionar, recuperar, listar e excluir componentes-chave do GX.

Exercise 1: Implantar Validation Definitions Exercise 2: Verificação de conceito Exercise 3: Criar um Checkpoint Exercise 4: Atualizar Expectation Suites Exercise 5: Copiar uma Expectation Exercise 6: Excluir uma Expectation Exercise 7: Atualizar uma Expectation Exercise 8: Gerenciar componentes Exercise 9: Adicionar e listar componentes Exercise 10: Gerenciar um Checkpoint

Mergulhe de cabeça no mundo das Expectations. Pratique a criação de Expectations básicas de coluna, Expectations numéricas em nível de linha e agregação, Expectations de string e de parseabilidade de string, e mais. Aprenda a aplicar Expectations apenas a algumas linhas de um dataframe.

Exercise 1: Expectativas Básicas de Coluna Exercise 2: Defina Expectations no nível de linha Exercise 3: Defina Expectations em nível agregado Exercise 4: Expectativas Específicas por Tipo Exercise 5: Defina Expectations numéricas Exercise 6: Definir Expectations para strings Exercise 7: Expectations condicionais Exercise 8: Escreva uma Expectation condicional Exercise 9: Inverta uma Expectativa Condicional Exercise 10: Encerramento