Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Great Expectations est un outil puissant pour surveiller la qualité des données dans les workflows de science et d'ingénierie des données. La plateforme peut être facilement intégrée à Python, ce qui en fait une bibliothèque utile à maîtriser pour les utilisateurs de Python.
Au cœur de Great Expectations se trouvent les attentes, ou les affirmations que vous souhaitez vérifier concernant vos données. Vous commencerez ce cours en apprenant à vous connecter à des ensembles de données réels et à leur appliquer des attentes. Vous apprendrez ensuite à récupérer, modifier et supprimer des attentes, ainsi qu'à créer des pipelines pour appliquer ces attentes à de nouveaux ensembles de données dans un déploiement de production.
Enfin, vous découvrirez des types spécifiques d'attentes, telles que celles relatives aux colonnes numériques et aux colonnes de chaînes de caractères, et vous apprendrez à rédiger des attentes pour une colonne en fonction des valeurs d'autres colonnes.
À la fin de ce cours, vous disposerez de solides bases sur la bibliothèque Python Great Expectations. Vous pourrez utiliser les fonctionnalités principales de la plateforme pour contrôler la qualité de vos données et les exploiter en toute confiance, sachant qu'elles répondent à vos normes de qualité.
Prérequis
Programme de formation
Plan du cours
1
Se connecter aux données
Comprenez pourquoi Great Expectations (GX) est un outil aussi puissant pour surveiller la qualité des données. Familiarisez-vous avec les bases de GX, notamment comment démarrer une session à l’aide d’un Data Context, et comment charger un dataframe pandas via un Data Source, un Data Asset et une Batch Definition.
- Créer un Data Context50 XP
- Créez votre Data Context100 XP
- Aperçu de GX100 XP
- Définitions des mots-clés100 XP
- Se connecter aux données50 XP
- Révision des concepts100 XP
- Créer une Data Source et un Data Asset100 XP
- Lire les données par lots50 XP
- Créer une définition de lot et un lot100 XP
- Inspectez votre Batch100 XP
2
Définir des Expectations
Créez et évaluez des Expectations de forme et de schéma simples. Validez vos Expectations individuellement, au sein d’une Expectation Suite avec une Batch Definition, ou à l’aide d’une Validation Definition.
3
GX en pratique
Acquérez des compétences pratiques pour gérer la nature dynamique des Expectations sur des cas réels. Déployez des Validation Definitions avec des Checkpoints ; mettez à jour vos Expectation Suites ; et apprenez à ajouter, récupérer, lister et supprimer les principaux composants GX.
4
Tout sur les Expectations
Plongez au cœur des Expectations. Entraînez-vous à créer des Expectations de base sur les colonnes, des Expectations numériques au niveau des lignes et des agrégats, des Expectations sur les chaînes de caractères et leur analysabilité, et plus encore. Apprenez à appliquer des Expectations uniquement à certaines lignes d’un dataframe.
Introduction à la qualité des données avec Great Expectations
Cours
terminé
