2025'te Veri Doğrulama Ekosistemi

• Mevcut durumda (2025) başlıca veri doğrulama araçlarının açıklaması ve duruma göre öneriler
• Veri doğrulama (geçerlilik kontrolü), veri kalitesinin otomatik veya yarı otomatik olarak kontrol edilmesi sürecidir
  • Veri türü kontrolü, eksik değer sayısının kontrolü, anormal değerlerin tespiti
• Yalnızca veri çerçevelerindeki satırlar değil, API giriş değerleri veya form gönderim değerleri de doğrulanabilir
• Kullanıcılar, belirli bir sütundaki değerlerin belli bir aralıkta olması gibi kurallar tanımlayabilir
• Doğrulama başarısız olduğunda: hata üretilebilir, doğrulama raporu oluşturulduktan sonra manuel veya otomatik işlem yapılabilir

Veri doğrulama neden önemlidir

• Kamu kurumlarındaki analiz çalışmaları ikiye ayrılır:
  • Ad hoc analiz – tek seferlik analiz çalışmaları
  • Düzenli istatistik üretimi – düzenli olarak yeni veri toplama ve işleme
• Veri hataları analiz sonuçlarını etkilemeden önce doğrulama gerekir
• Veri doğrulama, hata riskini azaltmada ve doğruluğu artırmada etkilidir

Başlıca veri doğrulama araçları

1. Great Expectations

• Üretim seviyesinde güçlü bir veri doğrulama aracı

• Açık kaynak paketi vardır; ayrıca ücretli bulut hizmeti de sunar

• Gelişmiş özellikler sunar:

  • Doğrulama başarısız olduğunda Slack mesajı gönderimi gibi otomasyonlar mümkündür

• Kurulumu karmaşıktır ve çoğu zaman veri bilimi becerileri gerektirir

• Örnek kod:

  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})  
  
  # Değerin 1 ile 6 arasında olup olmadığını doğrula  
  expectation = gx.expectations.ExpectColumnValuesToBeBetween(column="passenger_count", min_value=1, max_value=6)  
  validation_result = batch.validate(expectation)  
  

  Doğrulama başarısız olduğunda Slack bildirimi ayarlama örneği:

  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

• 2024'te yayımlanan yeni bir Python veri doğrulama aracı (RStudio → Posit tarafından geliştirildi)
• Great Expectations'tan etkilenmiştir ve sezgisel bir söz dizimi sunar
• Polars, Pandas, DuckDB gibi çeşitli veri kaynaklarını destekler
• Örnek kod:

  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()  
  )  
  

• Sonraki işlem otomasyonu özellikleri yetersizdir → sonraki işlemler manuel olarak yapılmalıdır

3. Pandera

• Great Expectations'a benzer bir API sunar

• İstatistiksel hipotez testi özelliğini destekler

• Polars, Geopandas, Pyspark gibi çeşitli veri kaynaklarını destekler

• Örnek kod:

  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)  
  

• İstatistiksel hipotez testi örneği:

  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

• Veri çerçevesi değil, sözlük tabanlı bir doğrulama aracı
• JSON ve yapılandırılmamış veri doğrulaması için uygundur
• FastAPI gibi API framework'leriyle entegre olabilir
• Örnek kod:

  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

• Sözlük tabanlı doğrulama aracı
• Basit kural tabanlı yapılandırma
• True/False değeri döndürür → hata fırlatmaz
• Örnek kod:

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

6. jsonschema

• JSON veri doğrulama aracı
• Şema tabanlı tanım
• Örnek kod:

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

Kamu sektöründe hangi araç kullanılmalı

• Veri çerçevesi veya veritabanı doğrulaması:
  • Üretim sisteminde kullanım → Great Expectations önerilir
  • Basit doğrulama → Pandera önerilir
  • Yeni bir araç denemek → Pointblank önerilir
• API veya kullanıcı girdisi doğrulaması:
  • Yapılandırılmamış veri → Pydantic önerilir
• Basit JSON doğrulaması:
  • jsonschema önerilir
• Basit bir doğrulama gerekiyorsa:
  • Cerberus önerilir