首页
/ Great Expectations 数据验证中获取完整异常行索引的解决方案

Great Expectations 数据验证中获取完整异常行索引的解决方案

2025-05-22 06:45:47作者:卓艾滢Kingsley

背景介绍

Great Expectations 是一个强大的数据质量验证工具,它可以帮助数据工程师和分析师确保数据的准确性和一致性。在实际应用中,我们经常需要获取数据验证过程中所有不符合预期的行记录,以便进行后续处理或修复。然而,许多用户在使用过程中发现,默认情况下 Great Expectations 只会返回最多20条异常记录,这给需要处理全部异常数据的场景带来了挑战。

问题分析

在使用 Great Expectations 进行数据验证时,特别是通过 Pandas DataFrame 作为数据源时,系统默认只返回部分异常结果(通常限制为20条)。这种设计主要是出于性能和数据文档展示的考虑,但对于需要处理所有异常数据的场景来说,这种限制就显得不够用了。

解决方案

使用完整结果格式

Great Expectations 提供了多种结果格式选项,其中"COMPLETE"模式可以返回完整的验证结果。要实现这一点,需要在验证配置中明确指定结果格式参数:

result_format = {
    "result_format": "COMPLETE",
    "include_unexpected_rows": True,
    "unexpected_index_column_names": ["SRC_RECORD_ID"],
    "return_unexpected_index_query": True
}

验证定义的正确使用

通过创建验证定义(ValidationDefinition)来执行验证,可以确保结果格式参数被正确应用:

validation_definition = gx.ValidationDefinition(
    data=batch_definition, 
    suite=suite, 
    name="validation_definition"
)

complete_result_format_dict = {"result_format": "COMPLETE"}
validation_results = validation_definition.run(
    batch_parameters=batch_parameters, 
    result_format=complete_result_format_dict
)

异常索引列的指定

为了获取异常行的完整索引,需要明确指定哪些列作为索引列:

"unexpected_index_column_names": ["SRC_RECORD_ID"]

实际应用建议

  1. 环境选择:对于生产环境,建议使用文件模式(file mode)而非临时模式(ephemeral mode),以便持久化保存期望套件(expectation suite)。

  2. 异常处理:在重复运行验证时,应添加适当的异常处理逻辑,避免因重复创建数据源而报错。

  3. 期望套件管理:将期望规则保存为独立的JSON文件,便于在不同环境间共享和版本控制。

  4. 结果处理:验证结果按期望规则组织,如需按列组织结果,需要自行编写后处理逻辑。

性能考量

虽然获取完整异常结果提供了更全面的数据质量视图,但也需要注意:

  1. 大数据集下获取完整结果可能影响性能
  2. 内存消耗会随异常记录数量增加而增长
  3. 建议在生产环境中根据实际需求平衡完整性和性能

总结

通过合理配置 Great Expectations 的结果格式参数和使用验证定义,开发者可以突破默认的20条异常记录限制,获取完整的验证结果。这为数据质量监控和异常数据处理提供了更大的灵活性。在实际应用中,应根据具体场景选择最适合的配置方式,并注意性能和资源消耗的平衡。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
47
248
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
346
381
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
871
516
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184
kernelkernel
deepin linux kernel
C
22
5
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
335
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
31
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0