如何将远大期望结果从 Apache Spark 保存到文件 - 使用数据文档

Question

我已成功创建 Great_Expectation 结果，我想将期望结果输出到 html 文件。

很少有链接突出显示如何使用所谓的“数据文档”https://docs.greatexpectations.io/en/latest/guides/tutorials/getting_started/set_up_data_docs.html#tutorials-getting-started-set-up-data-docs以人类可读的方式显示结果@

但老实说，文档非常难以理解。

我的期望只是验证我的数据集中的乘客数量在 1 和 6 之间。我想帮助使用“数据文档”将结果输出到文件夹，或者可以将数据输出到文件夹：

import great_expectations as ge
import great_expectations.dataset.sparkdf_dataset
from great_expectations.dataset.sparkdf_dataset import SparkDFDataset
from pyspark.sql.types import StructType, StructField, IntegerType, StringType, BooleanType
from great_expectations.data_asset import DataAsset

from great_expectations.data_context.types.base import DataContextConfig, DatasourceConfig, FilesystemStoreBackendDefaults
from great_expectations.data_context import BaseDataContext
from great_expectations.data_context.types.resource_identifiers import ValidationResultIdentifier
from datetime import datetime
from great_expectations.data_context import BaseDataContext


df_taxi = spark.read.csv('abfss://root@adlspretbiukadlsdev.dfs.core.windows.net/RAW/LANDING/yellow_trip_data_sample_2019-01.csv', inferSchema=True, header=True)

taxi_rides = SparkDFDataset(df_taxi)

taxi_rides.expect_column_value_lengths_to_be_between(column='passenger_count', min_value=1, max_value=6)

taxi_rides.save_expectation_suite()

代码从 Apache Spark 运行。

如果有人能指出我正确的方向，我就能弄清楚。

Answer 1

您可以在 Databricks 上可视化数据文档 - 您只需使用 correct renderer 结合将其呈现为 HTML 的 DefaultJinjaPageView，其结果可以使用 displayHTML 显示。我们需要导入必要的类/函数：

import great_expectations as ge
from great_expectations.profile.basic_dataset_profiler import BasicDatasetProfiler
from great_expectations.dataset.sparkdf_dataset import SparkDFDataset
from great_expectations.render.renderer import *
from great_expectations.render.view import DefaultJinjaPageView

要查看分析结果，我们需要使用ProfilingResultsPageRenderer：

expectation_suite, validation_result = BasicDatasetProfiler.profile(SparkDFDataset(df))
document_model = ProfilingResultsPageRenderer().render(validation_result)
displayHTML(DefaultJinjaPageView().render(document_model))

它会显示如下内容：

我们可以使用ValidationResultsPageRenderer 可视化验证结果：

gdf = SparkDFDataset(df)
gdf.expect_column_values_to_be_of_type("county", "StringType")
gdf.expect_column_values_to_be_between("cases", 0, 1000)
validation_result = gdf.validate()
document_model = ValidationResultsPageRenderer().render(validation_result)
displayHTML(DefaultJinjaPageView().render(document_model))

它会显示如下内容：

或者我们可以使用 ExpectationSuitePageRenderer 渲染期望套件本身：

gdf = SparkDFDataset(df)
gdf.expect_column_values_to_be_of_type("county", "StringType")
document_model = ExpectationSuitePageRenderer().render(gdf.get_expectation_suite())
displayHTML(DefaultJinjaPageView().render(document_model))

它会显示如下内容：

如果您不使用 Databricks，则可以将数据呈现为 HTML 并将其存储为存储在某处的文件

Answer 2

我已经就这个问题与 Great_Expectations 的开发人员取得了联系。他们告诉我，Azure Synapse 或 Databricks 目前不提供 Data Docs。