Kom igångKom igång gratis

En försmak av GX

Bra jobbat med att skapa din Data Context! Det är ett viktigt första steg in i Great Expectations-världen. Nu får du en försmak av allt du kommer att kunna göra när du är klar med kursen.

Koden till höger använder Data Context för att skapa en pandas Data Source och en Data Asset, som definierar dataformatet. Sedan skapas en Batch Definition för att läsa in data. Slutligen skapas en Expectation Suite – som innehåller en Expectation – samt en Validation Definition, som kör Expectation Suite mot datamängden. Oroa dig inte om du inte förstår alla dessa termer just nu – allt kommer att bli tydligt i slutet av kursen!

Great Expectations har redan importerats åt dig som gx.

Den här övningen är en del av kursen

Introduktion till datakvalitet med Great Expectations

Visa kurs

Övningsinstruktioner

  • Tryck på Run Code för att se kodens utdata.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod