Great Expectations 1.3.14版本发布：SQLAlchemy 2.0支持与数据类型校验优化
Great Expectations是一个开源的数据质量验证工具，它帮助数据工程师和分析师定义、记录和验证数据质量预期。通过声明式的期望语法，用户可以轻松构建数据质量测试套件，确保数据在管道中的可靠性。
核心功能增强
SQLAlchemy 2.0全面兼容
本次1.3.14版本最重要的改进之一是全面支持SQLAlchemy 2.x版本。开发团队特别针对BigQuery数据源进行了适配，确保用户在升级SQLAlchemy后仍能正常使用Great Expectations的所有功能。这一改进解决了之前版本中SQLAlchemy 2.0兼容性问题，为用户提供了更灵活的依赖管理选择。
数据类型校验修复
修复了ExpectColumnValuesToBeOfType期望类型的校验逻辑，该功能现在能够正确处理各种数据类型验证场景，特别是在使用SQLAlchemy 2.0时。这个修复确保了数据质量检查的准确性，特别是在处理复杂数据类型转换时。
新增功能与依赖管理
Redshift专用依赖包
版本引入了gx-redshift额外依赖组，为Amazon Redshift用户提供了更精细的依赖管理。用户现在可以通过安装gx[redshift]来获取Redshift相关的所有必要依赖，而不必安装所有数据库驱动，这有助于减少不必要的依赖冲突和包体积。
数据质量指标增强
新增核心指标类型
1.3.14版本引入了多个新的数据质量指标，丰富了数据质量分析的维度：
- BatchColumnTypes：批量获取列数据类型信息，便于整体数据模式分析
- SampleValues：抽样展示列中的实际值，帮助用户快速了解数据内容
- ColumnDistinctValuesCount：计算列中不同值的数量，用于基数分析
- ColumnNullCount：精确计算列中的空值数量，评估数据完整性
这些新指标为用户提供了更全面的数据质量洞察能力，特别是在数据探索和异常检测阶段。
问题修复与稳定性改进
字符编码处理优化
修复了行条件解析器对8位字符的支持问题，确保了包含特殊字符的条件表达式能够被正确解析。这一改进对国际化应用和多语言数据环境尤为重要。
上下文根目录处理
改进了get_context方法对context_root_dir参数的处理逻辑，确保在不同工作目录下都能正确加载配置文件。这一修复提高了工具在不同部署环境中的一致性。
文档与用户体验改进
更新了使用文档，特别是关于任务调度和PostHog集成配置的部分，使新用户能够更快速地掌握工具的高级用法。同时优化了包的自动补全行为，提升了开发体验。
总结
Great Expectations 1.3.14版本在SQLAlchemy兼容性、数据类型校验和核心指标功能方面做出了重要改进，同时增强了工具的稳定性和用户体验。这些改进使Great Expectations在复杂数据环境中的应用更加可靠，为数据质量保障提供了更强大的工具支持。
相关内容推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级，通过中期大规模视觉-语言推理数据训练，显著提升了模型的表征能力和模态对齐，实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager（推理记忆数据管理器），是一款以KV Cache为中心的推理加速套件，其融合了多类型缓存加速算法工具，分级管理并持久化推理过程中产生的KV Cache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始，我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度，并在 200–300 次连续调用中保持稳定的工具使用能力，它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时，K2 Thinking 是原生 INT4 量化模型，具备 256k 上下文窗口，实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建，总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比，它在性能上有显著提升，并引入了新的实用功能Python00- Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型，支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容，输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入，具备多页批量处理、动态分块识别和交互式区域选择等创新功能，用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源，提供Hugging Face演示和完整代码，适用于学术研究到工业应用的广泛场景，为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
- Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型，并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型，它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色，旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
项目优选
docs
pytorch
openHiTLS
ops-math
ohos_react_native
flutter_flutter
RuoYi-Vue3ascend-transformer-boost
Cangjie-Examples
openGauss-server