Przejdź do treści
Biblioteka skilli
Dane i analityka · Testowanie

data-quality-testing-great-expectations

/data-quality-testing-great-expectations

Sprawdza automatycznie świeżość danych, typy kolumn, dopuszczalność braków i niezmienniki schematu w Great Expectations.

Licencja
MIT
Ostatnia zmiana repozytorium
28.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 28.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Sprawdza automatycznie świeżość danych, typy kolumn, dopuszczalność braków i niezmienniki schematu w Great Expectations.

Oryginalny opis (EN)

Use this skill when asserting data freshness, column types, nullability, and schema invariants automatically using Great Expectations.

Jak działa

  1. When to use
  2. Prerequisites
  3. Step-by-step workflow
  4. Commands / code examples
  5. Common mistakes & pitfalls
  6. Verification checklist
  7. Related skills
Sekcje z nagłówków SKILL.md, w oryginale · 45 linii, 264 słów
Podgląd SKILL.md
---
name: data-quality-testing-great-expectations
description: Use this skill when asserting data freshness, column types, nullability, and schema invariants automatically using Great Expectations.
---
# Data Quality Testing with Great Expectations

## When to use
Use this skill when you need to asserting data freshness, column types, nullability, and schema invariants automatically using Great Expectations.

## Prerequisites
- Deep understanding of modern AI/ML systems, data engineering pipelines, or distributed architectures.
- Testing environment with necessary libraries and credentials configured.

## Step-by-step workflow
1. **Analyze data & architectural requirements**: Evaluate throughput, latency, context windows, and schema constraints.
2. **Formulate pipeline / model contracts**: Define strict input/output specifications and validation schemas.
3. **Implement core execution logic**: Construct deterministic transformations, prompt chains, or streaming data flows.
4. **Validate performance & accuracy**: Run automated test assertions, evaluate accuracy metrics, and benchmark throughput.
5. **Enforce observability & guardrails**: Instrument workflows with tracing, logging, rate limits, and fallback strategies.

## Commands / code examples
```python
# Production pipeline and implementation pattern for data-quality-testing-great-expectations
import os

def run_pipeline():
    print("Executing operational pipeline: data-quality-testing-great-expectations")

if __name__ == "__main__":
    run_pipeline()
```

## Common mistakes & pitfalls
- Allowing untrusted inputs to bypass validation checks, resulting in data corruption or prompt injection.
- Accumulating unconstrained state in memory during stream processing, leading to Out-Of-Memory (OOM) crashes.
- Neglecting evaluation benchmarks, deploying models or prompts without quantitative quality scoring.

## Verification checklist
- [ ] Pipeline validates input schemas and filters malformed records.
- [ ] Concurrency and memory utilization remain within provisioned boundaries.
- [ ] Performance and accuracy metrics meet predefined SLA targets.
- [ ] Fallback and retry mechanisms handle external API or network interruptions gracefully.

## Related skills
- retrieval-augmented-generation-rag-pipeline
- prompt-injection-defense-guardrails
- apache-kafka-event-streaming-architecture
- distributed-tracing-opentelemetry-sdk

Wersje

W bazie nie ma innych skilli o nazwie data-quality-testing-great-expectations.

Migawka bazy z 13.11.2026 · wersja paczki 081e2e692bc3 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 1 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100great-expectations
    Tworzy ExpectationSuite w Great Expectations, buduje ValidationDefinition i Checkpoint, uruchamia walidację danych tabelarycznych i parsuje wynik JSON do bramkowania w CI.
  • 100great-expectations
    Testuje i dokumentuje jakość danych w Python z Great Expectations: oczekiwania dla braków, zakresów i unikalności, walidacja DataFrame lub tabel SQL, checkpointy i Data Docs.
  • 95data-quality-frameworks
    Wdraża walidację jakości danych z Great Expectations, testami dbt i kontraktami danych w potokach danych.
  • 100data-quality-frameworks
    Wdraża walidację jakości danych z Great Expectations, testami dbt i kontraktami danych w potokach jakości.
  • 100data-quality-frameworks
    Wdraża walidację jakości danych z Great Expectations, testami dbt i kontraktami danych w potokach jakości i regułach walidacji.
  • 100data-quality-frameworks
    Wdraża walidację jakości danych z Great Expectations, testami dbt i kontraktami danych w potokach jakości i regułach walidacji.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.