在 great_expectations 中使用腌制的 Pandas 数据框作为数据资产

Question

可能是一个非常简单的问题，但我无法从 great_expectations 的文档中弄清楚。 我想在本地存储为腌制文件“.pkl”的 Pandas 数据帧上运行一些测试。

当我运行great_expectations add-datasource它忽略了 .pkl 文件，只为 .csv 文件创建了资产。 从 Pandas 读取 csv 文件很慢，所以如果 GE 可以支持其他格式，如 pickle 和 HDF，那就太好了。

如何加载 .pkl 或 .hdf 文件作为 GE 的资产？

我正在使用 v0.8.7 :)

Answer 1

对于 pandas（和 spark），有一种很好的通用方法可以完全控制数据的读取方式，即通过 BatchKwargs 指定一个已经可用的数据帧。

因此，就您而言，您可以执行以下操作：

my_dataset = pd.read_pickle(filename)
batch_kwargs = {"dataset": my_dataset}
batch = context.get_batch("my_datasource/in_memory_generator/my_dataset", "warning", batch_kwargs)

注意：这是针对 0.8.x 系列 API，并假设数据上下文配置如下：

datasources:
  my_datasource:
    class_name: PandasDatasource
    ...
    generators:
      in_memory_generator:
        class_name: InMemoryGenerator

PS - 这个目的是InMemoryGenerator存在的主要原因。

编辑

在 Great Expectations >= 0.9.0 中，简化了 get_batch 的 API，因此在这种情况下您根本不再需要生成器，并且数据源名称在批处理 kwargs 中指定。 类似的代码片段如下所示：

context = DataContext()
my_dataset = pd.read_pickle(filename)
batch_kwargs = {"datasource": "my_datasource", "dataset": my_dataset}
batch = context.get_batch(batch_kwargs=batch_kwargs, expectation_suite_name="warning")

（并且不需要发电机）