معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Data Quality Check Library

ویژگی	مقدار
سیستم عامل	-
نام فایل	data-quality-tests-1.0
نام	data-quality-tests
نسخه کتابخانه	1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Bhanu Venkata Kiran Velpula
ایمیل نویسنده	beekiran00@gmail.com
آدرس صفحه اصلی	https://github.com/beekiran00/Data-Quality
آدرس اینترنتی	https://pypi.org/project/data-quality-tests/
مجوز	MIT

## DATA QUALITY A library which acts as a test cases for dataframes. Simply pass in your dataframe after initial import, or at each stage of your EDA to check for data quality with one line of code. The test cases include(as of now) 1. check for null values 2. check for duplicates 3. check for dtype matching 4. check for outliers 5. check for whitespaces in column headers The test cases work as a Pass/Fail type, where Passed indicates, good data quality and Failed indicates bad data quality Example: TEST CASE FOR NULL VALUES: Passed means that the dataframe has no null values. Failed indicates otherwise. ## Requirements * Python 3+ * Pandas * Numpy ## Installation ```python pip install data-quality-tests ``` ## Updates & Changes 1. the import function changed from: ```python from data_quality import DataQuality ``` to the following: ```python from data_quality_tests import DataQuality ``` 2. new function ```outlier_columns``` has been added in this update, which displays all the columns that have outliers. *For use case, refer to the get started section* 3. ```data_quality_check``` now checks for column header whitespaces for leading and trailing. 4. new function ```dtype_columns``` has been added in this update, which displays all the columns that failed data type matching. *For use case, refer the get started section* ## Get Started How to use this library: ### Data quality check The most basic usage of this library, here for simplifiction, let's just se the iris dataset from seaborn library. You can use any dataset. ```python from data_quality_tests import DataQuality as dq import seaborn as sns #declare any dataframe df = sns.load_dataset("iris") #pass the dataframe as below dq.data_quality_check(df) ``` ### Outlier columns Sometimes, the test case for outliers fails, this is because the dataset containes outliers. use ```outier_columns(df)``` function to display all the columns that have outliers. *NOTE* *If the dataset does not have outlier columns, the output is an empty list.* ```python # display columns that have outliers dq.outlier_columns(df) ``` ### Data type columns When it is observed the test for dtype matching has failed, this is due to an error in the data type. For example, sometimes numbers are in the form of strings. use ```dtype_columns(df)``` function to display all the columns that failed data type matching. ```python #display list of columns that failed dtype matching dq.dtype_columns(df) ```

نیازمندی

مقدار	نام
-	pandas
-	numpy

نحوه نصب

نصب پکیج whl data-quality-tests-1.0:

pip install data-quality-tests-1.0.whl

نصب پکیج tar.gz data-quality-tests-1.0:

pip install data-quality-tests-1.0.tar.gz