Pruebas de SQL: pruebas de dbt y Great Expectations
Escriba pruebas de calidad de datos con dbt (unique, not_null, accepted_values) y aserciones más completas con Great Expectations.
Pruebas de SQL: pruebas de dbt y Great Expectations es una lección gratuita de SQL Academy en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de SQL Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de SQL Academy incluye 4 lecciones en total.
¿Por qué probar SQL?
Los datos incorrectos son invisibles hasta que provocan una mala decisión. Las pruebas detectan:
- Deriva del esquema (se elimina una columna o cambia su tipo)
- Calidad de los datos (
NULLdonde no está permitido, duplicados, valores fuera de rango) - Problemas de integridad referencial (filas huérfanas)
- Invariantes de negocio (los ingresos ≥ 0, los totales coinciden)
Pruebas integradas de dbt
Declárelas por columna en YAML:
# models/orders.yml
version: 2
models:
- name: orders
columns:
- name: id
tests:
- unique
- not_null
- name: user_id
tests:
- not_null
- relationships:
to: ref('users')
field: id
- name: status
tests:
- accepted_values:
values: ['pending', 'paid', 'cancelled']Ejecución de las pruebas de dbt
Ejecute todas las pruebas:
dbt test
dbt test --select orders
dbt build # = run + testPruebas singulares personalizadas
Una prueba no es más que un SELECT que devuelve filas cuando falla:
-- tests/no_negative_totals.sql
SELECT id, total
FROM {{ ref('orders') }}
WHERE total < 0Pruebas genéricas
Pruebas parametrizadas para reutilizarlas en muchas columnas:
-- tests/generic/test_in_range.sql
{% test in_range(model, column_name, min, max) %}
SELECT * FROM {{ model }}
WHERE {{ column_name }} < {{ min }} OR {{ column_name }} > {{ max }}
{% endtest %}
-- Use it in YAML:
columns:
- name: age
tests:
- in_range:
min: 0
max: 120Paquete dbt-utils
Añade más pruebas: combinaciones únicas, expression_is_true, equal_rowcount, etc.:
- dbt_utils.expression_is_true:
expression: "revenue >= 0"
- dbt_utils.equal_rowcount:
compare_model: ref('staging_orders')Great Expectations
Una alternativa más completa: un framework de Python con una amplia biblioteca de expectativas y detallados informes:
import great_expectations as ge
suite = context.add_or_update_expectation_suite('orders')
batch = context.get_validator(batch_request, expectation_suite_name='orders')
batch.expect_column_values_to_not_be_null('id')
batch.expect_column_values_to_be_between('total', 0, 10000)
results = context.run_checkpoint('orders_checkpoint')Cuándo usar cada una
- pruebas de dbt — primera opción si ya utiliza dbt; son ligeras y solo requieren SQL
- Great Expectations — cuando necesita informes detallados, aserciones más amplias o formatos distintos de SQL (CSV/parquet)
Severidad de las pruebas
dbt 1.0 y posteriores admiten los niveles de severidad warn y error:
- accepted_values:
values: [...]
config:
severity: warn
warn_if: ">100"
error_if: ">1000"Integración con CI
Ejecute las pruebas en cada PR y bloquee la combinación si fallan:
# GitHub Actions
- run: dbt deps && dbt build --profiles-dir profiles
- if: failure()
run: echo "::error::dbt tests failed"Paneles de calidad de datos
dbt-utils + dbt-expectations + Elementary pueden convertir los resultados de las pruebas en un panel de Grafana o Looker.
Pruebas de esquema frente a pruebas de filas
Detecte regresiones del esquema con la instantánea de dbt de los tipos de columna; las pruebas de filas detectan errores en los datos.
Resumen
Las pruebas convierten SQL de un «confíe en mí» en un «verificado».
- Pruebas de dbt para comprobaciones declarativas dentro del almacén de datos
- Great Expectations para comprobaciones más amplias y detalladas
- Ejecútelas en CI y bloquee el proceso si fallan
- Realice un seguimiento de los resultados a lo largo del tiempo
Comprobación rápida
Quiere una prueba de dbt que falle si alguna fila tiene total < 0. ¿Cuál es el enfoque más sencillo?
Preguntas frecuentes
¿La lección «Pruebas de SQL: pruebas de dbt y Great Expectations» es gratis?
Sí — el texto completo de «Pruebas de SQL: pruebas de dbt y Great Expectations» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de SQL Academy, actualiza a CoddyKit PRO. El curso de SQL Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Pruebas de SQL: pruebas de dbt y Great Expectations»?
Escriba pruebas de calidad de datos con dbt (unique, not_null, accepted_values) y aserciones más completas con Great Expectations. Practicas SQL Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar SQL Academy?
No se requiere experiencia previa. SQL Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Pruebas de SQL: pruebas de dbt y Great Expectations»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de SQL Academy?
Sí. Cada lección de SQL Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Conceptos básicos de DBT (Data Build Tool)
- SQLFluff y linting
- Pruebas de SQL: pruebas de dbt y Great Expectations
- CI para cambios de esquema (GitHub Actions)