Great Expectations 数据验证中获取完整异常行索引的解决方案
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
-
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)。
-
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。
-
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。
-
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:
- 大数据集下获取完整结果可能影响性能
- 内存消耗会随异常记录数量增加而增长
- 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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~057CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-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。00openHiTLS
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!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









