Die Datenvalidierungs-Landschaft im Jahr 2025

• Erläuterung der wichtigsten Datenvalidierungstools zum aktuellen Zeitpunkt (2025) sowie Empfehlungen je nach Anwendungsfall
• Datenvalidierung (Gültigkeitsprüfung) ist der Prozess, bei dem die Qualität von Daten automatisch oder halbautomatisch überprüft wird
  • Prüfung von Datentypen, Zählen fehlender Werte, Erkennung ungewöhnlicher Werte
• Nicht nur Zeilen in DataFrames, sondern auch API-Eingaben oder Formularübermittlungen können validiert werden
• Nutzer können Regeln festlegen, etwa dass die Werte einer bestimmten Spalte in einem bestimmten Bereich liegen müssen
• Bei fehlgeschlagener Validierung: Fehler auslösen, einen Validierungsbericht erstellen und anschließend manuell oder automatisch weiterverarbeiten

Warum Datenvalidierung wichtig ist

• Analysearbeit in öffentlichen Einrichtungen lässt sich in zwei Kategorien einteilen:
  • Ad-hoc-Analysen – einmalige Analyseaufgaben
  • Regelmäßige Statistik-Erstellung – regelmäßiges Erfassen und Verarbeiten neuer Daten
• Daten müssen validiert werden, bevor Fehler die Analyseergebnisse beeinflussen
• Datenvalidierung ist wirksam, um das Fehlerrisiko zu senken und die Genauigkeit zu erhöhen

Wichtige Datenvalidierungstools

1. Great Expectations

• Leistungsstarkes Datenvalidierungstool auf Produktionsniveau

• Es gibt ein Open-Source-Paket, außerdem wird ein kostenpflichtiger Cloud-Service angeboten

• Bietet fortgeschrittene Funktionen:

  • Automatisierungen wie das Senden von Slack-Nachrichten bei Validierungsfehlern sind möglich

• Die Einrichtung ist komplex und erfordert oft Data-Science-Kenntnisse

• Beispielcode:

  import great_expectations as gx  
  import pandas as pd  
  
  context = gx.get_context()  
  df = pd.read_csv("https://raw.githubusercontent.com/great-expectations/gx_tutorials/…;)  
  
  data_source = context.data_sources.add_pandas("pandas")  
  data_asset = data_source.add_dataframe_asset(name="pd dataframe asset")  
  batch_definition = data_asset.add_batch_definition_whole_dataframe("batch definition")  
  batch = batch_definition.get_batch(batch_parameters={"dataframe": df})  
  
  # Prüfen, ob der Wert zwischen 1 und 6 liegt  
  expectation = gx.expectations.ExpectColumnValuesToBeBetween(column="passenger_count", min_value=1, max_value=6)  
  validation_result = batch.validate(expectation)  
  

  Beispiel für die Einrichtung von Slack-Benachrichtigungen bei Validierungsfehlern:

  from gx.actions import SlackNotificationAction, UpdateDataDocsAction  
  
  action_list = [  
      SlackNotificationAction(  
          name="send_slack_notification_on_failed_expectations",  
          slack_token="${validation_notification_slack_webhook}",  
          slack_channel="${validation_notification_slack_channel}",  
          notify_on="failure",  
          show_failed_expectations=True,  
      ),  
      UpdateDataDocsAction(name="update_all_data_docs"),  
  ]  
  

2. Pointblank

• Aktuelles Python-Datenvalidierungstool, veröffentlicht 2024 (entwickelt von RStudio → Posit)
• Von Great Expectations beeinflusst und mit intuitiver Syntax
• Unterstützt verschiedene Datenquellen wie Polars, Pandas und DuckDB
• Beispielcode:

  import pointblank as pb  
  
  validation = (  
      pb.Validate(data=pb.load_dataset(dataset="small_table"))  
      .col_vals_gt(columns="d", value=100)  
      .col_vals_le(columns="c", value=5)  
      .col_exists(columns=["date", "date_time"])  
      .interrogate()  
  )  
  

• Fehlende Funktionen zur Automatisierung nachgelagerter Schritte → Folgeprozesse müssen manuell behandelt werden

3. Pandera

• Bietet eine API ähnlich wie Great Expectations

• Unterstützt statistische Hypothesentests

• Unterstützt verschiedene Datenquellen wie Polars, Geopandas und Pyspark

• Beispielcode:

  import pandas as pd  
  import pandera as pa  
  
  df = pd.DataFrame({  
      "column1": [1, 4, 0, 10, 9],  
      "column2": [-1.3, -1.4, -2.9, -10.1, -20.4],  
      "column3": ["value_1", "value_2", "value_3", "value_2", "value_1"],  
  })  
  
  schema = pa.DataFrameSchema({  
      "column1": pa.Column(int, checks=pa.Check.le(10)),  
      "column2": pa.Column(float, checks=pa.Check.lt(-1.2)),  
      "column3": pa.Column(str, checks=[  
          pa.Check.str_startswith("value_"),  
          pa.Check(lambda s: s.str.split("_", expand=True).shape[1] == 2)  
      ]),  
  })  
  
  validated_df = schema(df)  
  

• Beispiel für statistische Hypothesentests:

  from scipy import stats  
  
  schema = pa.DataFrameSchema({  
      "height_in_feet": pa.Column(float, [  
          pa.Hypothesis.two_sample_ttest(  
              sample1="M",  
              sample2="F",  
              groupby="sex",  
              relationship="greater_than",  
              alpha=0.05,  
              equal_var=True  
          )  
      ]),  
      "sex": pa.Column(str)  
  })  
  
  schema.validate(df)  
  

4. Pydantic

• Dictionary-basiertes Validierungstool, nicht für DataFrames
• Geeignet für JSON und unstrukturierte Daten
• Kann in API-Frameworks wie FastAPI integriert werden
• Beispielcode:

  from pydantic import BaseModel, PositiveInt  
  from datetime import datetime  
  
  class User(BaseModel):  
      id: int  
      name: str = 'John Doe'  
      signup_ts: datetime | None  
      tastes: dict[str, PositiveInt]  
  
  external_data = {  
      'id': 123,  
      'signup_ts': '2019-06-01 12:22',  
      'tastes': {'wine': 9, 'cheese': 7, 'cabbage': '1'}  
  }  
  
  user = User(**external_data)  
  

5. Cerberus

• Dictionary-basiertes Validierungstool
• Einfache regelbasierte Konfiguration
• Gibt True/False zurück → wirft keine Fehler
• Beispielcode:

  from cerberus import Validator  
  
  schema = {'name': {'type': 'string'}}  
  v = Validator(schema)  
  document = {'name': 'john doe'}  
  v.validate(document)  
  # True  
  

6. jsonschema

• JSON-Datenvalidierungstool
• Schemabasierte Definition
• Beispielcode:

  from jsonschema import validate  
  
  schema = {  
      "type": "object",  
      "properties": {  
          "price": {"type": "number"},  
          "name": {"type": "string"}  
      }  
  }  
  
  validate(instance={"name": "Eggs", "price": 34.99}, schema=schema)  
  

Welches Tool sollte im öffentlichen Sektor verwendet werden?

• DataFrame- oder Datenbankvalidierung:
  • Einsatz in Produktionssystemen → Great Expectations empfohlen
  • Einfache Validierung → Pandera empfohlen
  • Ein neues Tool ausprobieren → Pointblank empfohlen
• API- oder Benutzereingabevalidierung:
  • Unstrukturierte Daten → Pydantic empfohlen
• Einfache JSON-Validierung:
  • jsonschema empfohlen
• Wenn eine sehr einfache Validierung benötigt wird:
  • Cerberus empfohlen