Förstå varför Great Expectations (GX) är ett så kraftfullt verktyg för att övervaka datakvalitet. Bekanta dig med grunderna i GX – bland annat hur du startar en session med en Data Context och hur du läser in en pandas-dataram med en Data Source, Data Asset och Batch Definition.

Skapa en Data Context

Skapa din Data Context

En försmak av GX

Definitioner av nyckelbegrepp

Anslut till data

Begreppsgenomgång

Skapa en Data Source och ett Data Asset

Läs data i batchar

Skapa en Batch Definition och en Batch

Granska din Batch

Ansluta till data

Skapa och utvärdera grundläggande Expectations för form och schema. Validera dina Expectations antingen individuellt, som en del av en Expectation Suite med en Batch Definition, eller via en Validation Definition.

Skapa Expectations

Skapa en Expectation för kolumnantal

Utvärdera valideringsresultat

Schemaförväntningar

Skapa en förväntning om kolumnnamn

Skapa en Expectation för kolumnintervall

Skapa en svit av Expectations

Skapa en Expectation Suite

Validera ditt Expectation Suite

Validera Expectation Suites

Skapa och kör en Validation Definition

Validation Definition vs. Batch Definition

Lär dig praktiska färdigheter för att hantera Expectations i verkliga och föränderliga miljöer. Driftsätt Validation Definitions med Checkpoints, uppdatera dina Expectation Suites och lär dig att lägga till, hämta, lista och ta bort viktiga GX-komponenter.

Driftsätt Validation Definitions

Alternativ

Checkpoint

Action

Data Docs

Kunskapskontroll

Skapa ett Checkpoint

Uppdatera Expectation Suites

Kopiera en Expectation

Ta bort en Expectation

Uppdatera en Expectation

Hantera komponenter

Lägg till och lista komponenter

Hantera ett Checkpoint

GX i praktiken

Fördjupa dig i Expectations. Öva på att skapa grundläggande kolumn-Expectations, numeriska Expectations på rad- och aggregatnivå, Expectations för strängar och strängparsbarhet, med mera. Lär dig också att tillämpa Expectations på enbart vissa rader i en dataram.

Grundläggande kolumnförväntningar

Skapa rad-nivå-förväntningar

Skapa aggregerade Expectations

Typspecifika Expectations

Skapa numeriska Expectations

Skapa string-Expectations

Villkorliga förväntningar

Skriv ett villkorligt Expectation

Invertera ett villkorligt Expectation

Avslutning

Allt om Expectations

life_expectancy.csv

weather_new.csv

renewable_new.csv

shein_footwear_clean.csv

movie_dataset.csv

Great Expectations är ett kraftfullt Python-bibliotek för att övervaka datakvalitet i arbetsflöden inom datavetenskap och dataingenjörskonst. Lär dig att ansluta till verkliga datamängder, tillämpa, redigera och ta bort Expectations, samt bygga pipelines för att validera nya datamängder i produktion. Du utforskar Expectations för numeriska kolumner och strängkolumner och skriver valideringar över flera kolumner. I slutet av kursen kan du med säkerhet kontrollera att dina data uppfyller kvalitetskraven.

Great Expectations är ett kraftfullt verktyg för att övervaka datakvalitet i arbetsflöden inom datavetenskap och data engineering. Plattformen kan enkelt integreras i Python, vilket gör den till ett användbart bibliotek för Python-användare att bemästra.

I kärnan av Great Expectations finns Expectations, eller påståenden som du vill verifiera om dina data. Du börjar den här kursen med att lära dig hur du ansluter till verkliga datamängder och tillämpar Expectations på dem. Sedan lär du dig hur du hämtar, redigerar och tar bort Expectations samt bygger pipelines för att tillämpa Expectations på nya datamängder i en produktionsmiljö.

Slutligen lär du dig om specifika typer av Expectations, till exempel för numeriska kolumner och strängkolumner, samt hur du skriver Expectations för en kolumn som är villkorade av värdena i andra kolumner.

I slutet av den här kursen kommer du att ha en stark grund i Python-biblioteket Great Expectations. Du kommer att kunna använda plattformens kärnfunktioner för att övervaka kvaliteten på dina data, och du kommer att kunna använda dina data med förtroende för att de uppfyller dina standarder för datakvalitet.

Data Manipulation with pandas

Säkerställ hög datakvalitet i dataflöden med Python-biblioteket Great Expectations.

Introduktion till datakvalitet med Great Expectations

Säkerställ hög datakvalitet i data science- och data engineering-flöden med Python-biblioteket Great Expectations.

Maskininlärningsingenjör

Ett objekt som grupperar Validation Definitions och kör dem med gemensamma parametrar

En komponent som kan konfigureras i Checkpoints och integrerar Great Expectations med andra verktyg baserat på ett Validation Result

En statisk webbplats som genereras från Great Expectations-metadata och beskriver Expectations, Validation Results med mera.

Kunskapskontroll

Introduktion till datakvalitet med Great Expectations

Interaktiv övning med praktiskt arbete