3

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它时,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 :)

4

1 回答 1

8

对于 pandas(和 spark),有一个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,在您的情况下,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:这适用于 0.8.x 系列 API,并假定数据上下文配置如下:

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

PS-这个目的是存在的首要原因InMemoryGenerator

编辑

在 Great Expectations >= 0.9.0 中,get_batch 的 API 已被简化,因此在这种情况下您将不再需要生成器,并且数据源名称batch 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)

于 2020-01-16T17:04:49.357 回答