容量越大越不壞？24萬塊硬盤故障率報告公布 這些產(chǎn)品零故障
8月5日消息，云存儲服務商Backblaze發(fā)布了最新的硬盤故障率報告，年故障率有所上升。Backblaze發(fā)布的硬盤季度統(tǒng)計數(shù)據(jù)，其中包括故障率等重要方面。這些結
在數(shù)據(jù)工程領域中，經(jīng)常被忽視的一項實踐是單元測試。許多人可能認為單元測試僅僅是一種軟件開發(fā)方法論，但事實遠非如此。隨著我們努力構建穩(wěn)健、無錯誤的數(shù)據(jù)流水線和SQL數(shù)據(jù)模型，單元測試在數(shù)據(jù)工程中的價值變得越來越清晰。
本文帶你深入探索如何將這些成熟的軟件工程實踐應用到數(shù)據(jù)工程中。
在數(shù)據(jù)工程的背景下，采用單元測試可以確保您的數(shù)據(jù)和業(yè)務邏輯的準確性，進而產(chǎn)出高質量的數(shù)據(jù)，獲得您的數(shù)據(jù)分析師、科學家和決策者對數(shù)據(jù)的信任。
數(shù)據(jù)流水線通常涉及復雜的數(shù)據(jù)抽取、轉換和加載（ETL）操作序列，出錯的可能性很大。為了對這些操作進行單元測試，我們將流水線拆分為單個組件，并對每個組件進行獨立驗證。
以一個簡單的流水線為例，該流水線從CSV文件中提取數(shù)據(jù)，通過清除空值來轉換數(shù)據(jù)，然后將其加載到數(shù)據(jù)庫中。以下是使用pandas的基于Python的示例：
import pandas as pdfrom sqlalchemy import create_engine# 加載CSV文件的函數(shù)def load_data(file_name): data = pd.read_csv(file_name) return data# 清理數(shù)據(jù)的函數(shù)def clean_data(data): data = data.dropna() return data# 將數(shù)據(jù)保存到SQL數(shù)據(jù)庫的函數(shù)def save_data(data, db_string, table_name): engine = create_engine(db_string) data.to_sql(table_name, engine, if_exists='replace')# 運行數(shù)據(jù)流水線data = load_data('data.csv')data = clean_data(data)save_data(data, 'sqlite:///database.db', 'my_table')為了對這個流水線進行單元測試，我們使用像pytest這樣的庫為每個函數(shù)編寫單獨的測試。
在這個示例中，有三個主要的函數(shù)：load_data、clean_data和save_data。我們會為每個函數(shù)編寫測試。對于load_data和save_data，需要設置一個臨時的CSV文件和SQLite數(shù)據(jù)庫，可以使用pytest庫的fixture功能來實現(xiàn)。
import osimport pandas as pdimport pytestfrom sqlalchemy import create_engine, inspect# 使用pytest fixture來設置臨時的CSV文件和SQLite數(shù)據(jù)庫@pytest.fixturedef csv_file(tmp_path): data = pd.DataFrame({ 'name': ['John', 'Jane', 'Doe'], 'age': [34, None, 56] # Jane的年齡缺失 }) file_path = tmp_path / "data.csv" data.to_csv(file_path, index=False) return file_path@pytest.fixturedef sqlite_db(tmp_path): file_path = tmp_path / "database.db" return 'sqlite:///' + str(file_path)def test_load_data(csv_file): data = load_data(csv_file) assert 'name' in data.columns assert 'age' in data.columns assert len(data) == 3def test_clean_data(csv_file): data = load_data(csv_file) data = clean_data(data) assert data['age'].isna().sum() == 0 assert len(data) == 2 # Jane的記錄應該被刪除def test_save_data(csv_file, sqlite_db): data = load_data(csv_file) data = clean_data(data) save_data(data, sqlite_db, 'my_table') # 檢查數(shù)據(jù)是否保存正確 engine = create_engine(sqlite_db) inspector = inspect(engine) tables = inspector.get_table_names() assert 'my_table' in tables loaded_data = pd.read_sql('my_table', engine) assert len(loaded_data) == 2 # 只應該存在John和Doe的記錄這里是另一個例子：假設您有一個從CSV文件中加載數(shù)據(jù)并將其中的“日期”列從字符串轉換為日期時間的流水線：
def convert_date(data, date_column): data[date_column] = pd.to_datetime(data[date_column]) return data為上述函數(shù)編寫的單元測試將傳入具有已知日期字符串格式的DataFrame。然后，它將驗證函數(shù)是否正確將日期轉換為日期時間對象，并且它是否適當處理無效格式。
我們?yōu)樯鲜鰣鼍熬帉懸粋€單元測試。該測試首先使用有效日期檢查函數(shù)，斷言輸出DataFrame中的“date”列確實是datetime類型，并且值與預期相符。然后，它檢查在給出無效日期時，函數(shù)是否正確引發(fā)了ValueError。
import pandas as pdimport pytestdef test_convert_date(): # 使用有效日期進行測試 test_data = pd.DataFrame({ 'date': ['2021-01-01', '2021-01-02'] }) converted_data = convert_date(test_data.copy(), 'date') assert pd.api.types.is_datetime64_any_dtype(converted_data['date']) assert converted_data.loc[0, 'date'] == pd.Timestamp('2021-01-01') assert converted_data.loc[1, 'date'] == pd.Timestamp('2021-01-02') # 使用無效日期進行測試 test_data = pd.DataFrame({ 'date': ['2021-13-01'] # 這個日期是無效的，因為沒有第13個月 }) with pytest.raises(ValueError): convert_date(test_data, 'date')以下是最后一個例子：假設您有一個加載數(shù)據(jù)并進行聚合的流水線，計算每個地區(qū)的總銷售額：
def aggregate_sales(data): aggregated = data.groupby('region').sales.sum().reset_index() return aggregated為該函數(shù)編寫的單元測試將向其傳遞具有各個地區(qū)銷售數(shù)據(jù)的DataFrame。測試將驗證函數(shù)是否正確計算每個地區(qū)的總銷售額。
我們?yōu)樵摵瘮?shù)編寫一個單元測試。在這個測試中，我們首先向aggregate_sales函數(shù)傳遞一個具有已知銷售數(shù)據(jù)的DataFrame，并檢查它是否正確聚合了銷售額。然后，向其傳遞一個沒有銷售數(shù)據(jù)的DataFrame，并檢查它是否正確將這些銷售額聚合為0。這樣可以確保函數(shù)正確處理典型情況和邊緣情況。
以下是使用pytest庫為aggregate_sales函數(shù)編寫單元測試的示例：
import pandas as pdimport pytestdef test_aggregate_sales(): # 各個地區(qū)的銷售數(shù)據(jù) test_data = pd.DataFrame({ 'region': ['North', 'North', 'South', 'South', 'East', 'East', 'West', 'West'], 'sales': [100, 200, 300, 400, 500, 600, 700, 800] }) aggregated = aggregate_sales(test_data) assert aggregated.loc[aggregated['region'] == 'North', 'sales'].values[0] == 300 assert aggregated.loc[aggregated['region'] == 'South', 'sales'].values[0] == 700 assert aggregated.loc[aggregated['region'] == 'East', 'sales'].values[0] == 1100 assert aggregated.loc[aggregated['region'] == 'West', 'sales'].values[0] == 1500 # 沒有銷售數(shù)據(jù)的測試 test_data = pd.DataFrame({ 'region': ['North', 'South', 'East', 'West'], 'sales': [0, 0, 0, 0] }) aggregated = aggregate_sales(test_data) assert aggregated.loc[aggregated['region'] == 'North', 'sales'].values[0] == 0 assert aggregated.loc[aggregated['region'] == 'South', 'sales'].values[0] == 0 assert aggregated.loc[aggregated['region'] == 'East', 'sales'].values[0] == 0 assert aggregated.loc[aggregated['region'] == 'West', 'sales'].values[0] == 0本文轉載自微信公眾號「Java學研大本營」，可以通過以下二維碼關注。轉載本文請聯(lián)系公眾號。
本文鏈接：http://www.tebozhan.com/showinfo-26-10690-0.html數(shù)據(jù)工程中的單元測試完全指南
聲明：本網(wǎng)頁內容旨在傳播知識，若有侵權等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： ZGC關鍵技術分析
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號