README.hi.md

डेटा गुणवत्ता का आकलन और निगरानी के लिए डेटा सत्यापन टूलकिट

English | Français | Deutsch | Italiano | Español | Português | Nederlands | 简体中文 | 日本語 | 한국어 | العربية

Pointblank डेटा क्वालिटी के लिए अलग दृष्टिकोण अपनाता है। यह एक उबाऊ तकनीकी काम होना जरूरी नहीं है। बल्कि, यह टीम के सदस्यों के बीच स्पष्ट संवाद पर केंद्रित एक प्रक्रिया बन सकती है। जबकि अन्य वैलिडेशन लाइब्रेरियां केवल त्रुटियों को पकड़ने पर ध्यान देती हैं, Pointblank समस्याओं को खोजने और अंतर्दृष्टि साझा करने दोनों में उत्कृष्ट है। हमारे सुंदर, कस्टमाइज़ करने योग्य रिपोर्ट्स वैलिडेशन के परिणामों को हितधारकों के साथ बातचीत में बदल देते हैं, जिससे डेटा क्वालिटी की समस्याएं आपकी पूरी टीम के लिए तुरंत समझने योग्य और कार्यशील बन जाती हैं।

घंटों में नहीं, मिनटों में शुरू करें। Pointblank की AI-संचालित DraftValidation सुविधा आपके डेटा का विश्लेषण करती है और आन्तरिक वैलिडेशन नियमों को स्वचालित रूप से सुझाती है। इसलिए खाली वैलिडेशन स्क्रिप्ट को देखते रहने और सोचने की जरूरत नहीं कि कहां से शुरू करना है। Pointblank आपकी डेटा क्वालिटी यात्रा को गति दे सकती है ताकि आप सबसे महत्वपूर्ण चीजों पर ध्यान दे सकें।

चाहे आप एक डेटा साइंटिस्ट हों जिन्हें डेटा क्वालिटी की खोजों को जल्दी से संप्रेषित करना है, एक डेटा इंजीनियर जो मजबूत पाइपलाइन बना रहे हैं, या एक विश्लेषक जो बिजनेस हितधारकों को डेटा क्वालिटी के परिणाम प्रस्तुत कर रहे हैं, Pointblank आपको डेटा क्वालिटी को एक बाद के विचार से एक प्रतियोगी फायदे में बदलने में मदद करती है।

AI-संचालित वैलिडेशन ड्राफ्टिंग के साथ शुरुआत

DraftValidation क्लास LLM का उपयोग करके आपके डेटा का विश्लेषण करती है और बुद्धिमान सुझावों के साथ एक पूर्ण वैलिडेशन योजना गेनरेट करती है। यह आपको डेटा वैलिडेशन के साथ जल्दी से शुरू करने या एक नए प्रोजेक्ट को हरी झंडी दिखाने में मदद करती है।

import pointblank as pb

# अपना डेटा लोड करें
data = pb.load_dataset("game_revenue")              # एक नमूना डेटासेट

# वैलिडेशन योजना गेनरेट करने के लिए DraftValidation का उपयोग करें
pb.DraftValidation(data=data, model="anthropic:claude-opus-4-6")

आउटपुट आपके डेटा के आधार पर बुद्धिमान सुझावों के साथ एक पूर्ण वैलिडेशन योजना है:

import pointblank as pb

# वैलिडेशन योजना
validation = (
    pb.Validate(
        data=data,
        label="Draft Validation",
        thresholds=pb.Thresholds(warning=0.10, error=0.25, critical=0.35)
    )
    .col_vals_in_set(columns="item_type", set=["iap", "ad"])
    .col_vals_gt(columns="item_revenue", value=0)
    .col_vals_between(columns="session_duration", left=3.2, right=41.0)
    .col_count_match(count=11)
    .row_count_match(count=2000)
    .rows_distinct()
    .interrogate()
)

validation

आपकी जरूरतों के लिए गेनरेट की गई वैलिडेशन योजना को कॉपी, पेस्ट और कस्टमाइज़ करें।

चेनेबल वैलिडेशन API

Pointblank का चेनेबल API वैलिडेशन को सरल और पढ़ने योग्य बनाता है। वही पैटर्न हमेशा लागू होता है: (1) Validate से शुरू करें, (2) वैलिडेशन स्टेप्स जोड़ें, और (3) interrogate() से खत्म करें।

import pointblank as pb

validation = (
   pb.Validate(data=pb.load_dataset(dataset="small_table"))
   .col_vals_gt(columns="d", value=100)             # मान > 100 वैलिडेट करें
   .col_vals_le(columns="c", value=5)               # मान <= 5 वैलिडेट करें
   .col_exists(columns=["date", "date_time"])       # कॉलम मौजूद हैं या नहीं जाँचें
   .interrogate()                                   # निष्पादित करें और परिणाम एकत्र करें
)

# REPL से वैलिडेशन रिपोर्ट प्राप्त करें:
validation.get_tabular_report().show()

# नोटबुक से बस इसका उपयोग करें:
validation

एक बार आपके पास पूछताछ की गई validation ऑब्जेक्ट है, तो आप अंतर्दृष्टि निकालने के लिए विभिन्न मेथड्स का उपयोग कर सकते हैं जैसे:

• व्यक्तिगत स्टेप्स के लिए विस्तृत रिपोर्ट प्राप्त करना यह देखने के लिए कि क्या गलत हुआ
• वैलिडेशन के परिणामों के आधार पर टेबल को फिल्टर करना
• डिबगिंग के लिए समस्याग्रस्त डेटा निकालना

पॉइन्टब्लैंक क्यों चुनें?

• आपके मौजूदा स्टैक के साथ काम करता है: पोलर्स, पांडास, डकडीबी, MySQL, पोस्टग्रेSQL, SQLite, पारक्वेट, PySpark, स्नोफ्लेक, और अधिक के साथ निर्बाध रूप से एकीकृत होता है!
• सुंदर, इंटरैक्टिव रिपोर्ट्स: क्रिस्टल-क्लियर वैलिडेशन परिणाम जो समस्याओं को हाइलाइट करते हैं और डेटा क्वालिटी को संप्रेषित करने में मदद करते हैं
• संयोजनीय वैलिडेशन पाइपलाइन: वैलिडेशन स्टेप्स को एक पूर्ण डेटा क्वालिटी वर्कफ्लो में श्रृंखलाबद्ध करें
• थ्रेशोल्ड-आधारित अलर्ट: कस्टम एक्शन्स के साथ 'चेतावनी', 'त्रुटि', और 'महत्वपूर्ण' थ्रेशोल्ड सेट करें
• व्यावहारिक आउटपुट: वैलिडेशन परिणामों का उपयोग टेबल्स को फ़िल्टर करने, समस्याग्रस्त डेटा निकालने, या डाउनस्ट्रीम प्रक्रियाओं को ट्रिगर करने के लिए करें

वास्तविक जगत का उदाहरण

import pointblank as pb
import polars as pl

# अपना डेटा लोड करें
sales_data = pl.read_csv("sales_data.csv")

# व्यापक वैलिडेशन बनाएं
validation = (
   pb.Validate(
      data=sales_data,
      tbl_name="sales_data",           # रिपोर्टिंग के लिए टेबल का नाम
      label="वास्तविक जगत का उदाहरण.",  # वैलिडेशन के लिए लेबल, रिपोर्ट में दिखता है
      thresholds=(0.01, 0.02, 0.05),   # चेतावनियों, त्रुटियों और महत्वपूर्ण समस्याओं के लिए थ्रेशोल्ड सेट करें
      actions=pb.Actions(              # किसी भी थ्रेशोल्ड उल्लंघन के लिए एक्शन्स परिभाषित करें
         critical="स्टेप {step} में बड़ी डेटा क्वालिटी समस्या मिली ({time})."
      ),
      final_actions=pb.FinalActions(   # संपूर्ण वैलिडेशन के लिए अंतिम एक्शन्स परिभाषित करें
         pb.send_slack_notification(
            webhook_url="https://hooks.slack.com/services/your/webhook/url"
         )
      ),
      brief=True,                      # प्रत्येक स्टेप के लिए स्वचालित रूप से जनरेट किए गए ब्रीफ जोड़ें
   )
   .col_vals_between(            # सटीकता के साथ संख्यात्मक रेंज जाँचें
      columns=["price", "quantity"],
      left=0, right=1000
   )
   .col_vals_not_null(           # सुनिश्चित करें कि '_id' से समाप्त होने वाले कॉलम में null मान नहीं हैं
      columns=pb.ends_with("_id")
   )
   .col_vals_regex(              # रेगुलर एक्सप्रेशन के साथ पैटर्न वैलिडेट करें
      columns="email",
      pattern="^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\\.[a-zA-Z]{2,}$"
   )
   .col_vals_in_set(             # श्रेणीबद्ध मान जाँचें
      columns="status",
      set=["pending", "shipped", "delivered", "returned"]
   )
   .conjointly(                  # कई शर्तों को जोड़ें
      lambda df: pb.expr_col("revenue") == pb.expr_col("price") * pb.expr_col("quantity"),
      lambda df: pb.expr_col("tax") >= pb.expr_col("revenue") * 0.05
   )
   .interrogate()
)

स्टेप 7 में बड़ी डेटा क्वालिटी समस्या मिली (2025-04-16 15:03:04.685612+00:00).

# HTML रिपोर्ट प्राप्त करें जिसे आप अपनी टीम के साथ साझा कर सकें
validation.get_tabular_report().show("browser")

# एक विशिष्ट स्टेप से असफल रिकॉर्ड्स की रिपोर्ट प्राप्त करें
validation.get_step_report(i=3).show("browser")  # स्टेप 3 से असफल रिकॉर्ड्स प्राप्त करें

YAML कॉन्फ़िगरेशन

उन टीमों के लिए जिन्हें पोर्टेबल, वर्जन-नियंत्रित वैलिडेशन वर्कफ़लो की आवश्यकता है, पॉइन्टब्लैंक YAML कॉन्फ़िगरेशन फ़ाइलों का समर्थन करता है। यह विभिन्न वातावरणों और टीम के सदस्यों के बीच वैलिडेशन लॉजिक साझा करना आसान बनाता है, यह सुनिश्चित करते हुए कि सभी एक ही पृष्ठ पर हैं।

validation.yaml

validate:
  data: small_table
  tbl_name: "small_table"
  label: "शुरुआती वैलिडेशन"

steps:
  - col_vals_gt:
      columns: "d"
      value: 100
  - col_vals_le:
      columns: "c"
      value: 5
  - col_exists:
      columns: ["date", "date_time"]

YAML वैलिडेशन निष्पादित करें

import pointblank as pb

# YAML कॉन्फ़िगरेशन से वैलिडेशन चलाएं
validation = pb.yaml_interrogate("validation.yaml")

# किसी भी अन्य वैलिडेशन की तरह परिणाम प्राप्त करें
validation.get_tabular_report().show()

यह दृष्टिकोण इसके लिए परफेक्ट है:

• CI/CD पाइपलाइन्स: अपने कोड के साथ वैलिडेशन नियम स्टोर करें
• टीम सहयोग: पठनीय प्रारूप में वैलिडेशन लॉजिक साझा करें
• वातावरण स्थिरता: डेवलपमेंट, स्टेजिंग और प्रोडक्शन में समान वैलिडेशन का उपयोग करें
• दस्तावेज़ीकरण: YAML फ़ाइलें आपकी डेटा गुणवत्ता आवश्यकताओं के जीवित दस्तावेज़ीकरण के रूप में काम करती हैं

कमांड लाइन इंटरफेस (CLI)

पॉइन्टब्लैंक में pb नामक एक शक्तिशाली CLI उपयोगिता शामिल है जो आपको कमांड लाइन से सीधे डेटा वैलिडेशन वर्कफ़लो चलाने की अनुमति देता है। CI/CD पाइपलाइनों, निर्धारित डेटा गुणवत्ता जांच, या त्वरित वैलिडेशन कार्यों के लिए परफेक्ट है।

अपने डेटा की खोज करें

# अपने डेटा का त्वरित पूर्वावलोकन प्राप्त करें
pb preview small_table

# GitHub URLs से डेटा पूर्वावलोकन
pb preview "https://github.com/user/repo/blob/main/data.csv"

# Parquet फाइलों में गुम मानों की जांच करें
pb missing data.parquet

# डेटाबेस कनेक्शन से स्तंभ सारांश जेनरेट करें
pb scan "duckdb:///data/sales.ddb::customers"

आवश्यक वैलिडेशन चलाएं

# YAML कॉन्फ़िगरेशन फ़ाइल से वैलिडेशन चलाएं
pb run validation.yaml

# Python फ़ाइल से वैलिडेशन चलाएं
pb run validation.py

# डुप्लिकेट पंक्तियों की जांच करें
pb validate small_table --check rows-distinct

# GitHub से सीधे डेटा वैलिडेट करें
pb validate "https://github.com/user/repo/blob/main/sales.csv" --check col-vals-not-null --column customer_id

# Parquet डेटासेट में null मान न होने की पुष्टि करें
pb validate "data/*.parquet" --check col-vals-not-null --column a

# डिबगिंग के लिए असफल डेटा निकालें
pb validate small_table --check col-vals-gt --column a --value 5 --show-extract

CI/CD के साथ एकीकृत करें

# एकल-पंक्ति वैलिडेशन में स्वचालन के लिए एक्जिट कोड का उपयोग करें (0 = पास, 1 = फेल)
pb validate small_table --check rows-distinct --exit-code

# एक्जिट कोड के साथ वैलिडेशन वर्कफ़लो चलाएं
pb run validation.yaml --exit-code
pb run validation.py --exit-code

यथार्थवादी टेस्ट डेटा जनरेट करें

अपने वैलिडेशन वर्कफ़्लो के लिए टेस्ट डेटा चाहिए? generate_dataset() फ़ंक्शन स्कीमा परिभाषाओं के आधार पर यथार्थवादी, लोकेल-अवेयर सिंथेटिक डेटा बनाता है। प्रोडक्शन डेटा के बिना पाइपलाइन विकसित करने, पुन: प्रस्तुत करने योग्य परिदृश्यों के साथ CI/CD टेस्ट चलाने, या प्रोडक्शन डेटा उपलब्ध होने से पहले वर्कफ़्लो का प्रोटोटाइप बनाने के लिए बहुत उपयोगी।

import pointblank as pb

# फ़ील्ड बाधाओं के साथ स्कीमा परिभाषित करें
schema = pb.Schema(
    user_id=pb.int_field(min_val=1, unique=True),
    name=pb.string_field(preset="name"),
    email=pb.string_field(preset="email"),
    age=pb.int_field(min_val=18, max_val=100),
    status=pb.string_field(allowed=["active", "pending", "inactive"]),
)

# 10 पंक्तियों का यथार्थवादी टेस्ट डेटा जनरेट करें
data = pb.generate_dataset(schema, n=10, seed=23)

pb.preview(data)

जनरेटर इन क्षमताओं के साथ परिष्कृत डेटा जनरेशन का समर्थन करता है:

• प्रीसेट के साथ यथार्थवादी डेटा: "name", "email", "address", "phone" आदि जैसे बिल्ट-इन प्रीसेट का उपयोग करें
• यूजर एजेंट स्ट्रिंग्स: 17 ब्राउज़र श्रेणियों से 42,000 से अधिक अनूठे संयोजनों के साथ अत्यधिक विविध और यथार्थवादी ब्राउज़र यूजर एजेंट स्ट्रिंग्स जनरेट करें
• 100 देशों का समर्थन: लोकेल-विशिष्ट डेटा जनरेट करें (उदा., जर्मन पतों के लिए country="DE")
• फ़ील्ड बाधाएं: रेंज, पैटर्न, विशिष्टता और अनुमत मानों को नियंत्रित करें
• एकाधिक आउटपुट प्रारूप: डिफ़ॉल्ट रूप से Polars DataFrame लौटाता है, लेकिन Pandas (output="pandas") या शब्दकोश (output="dict") का भी समर्थन करता है

विशेषताएं जो पॉइन्टब्लैंक को अलग बनाती हैं

• पूर्ण वैलिडेशन वर्कफ्लो: डेटा एक्सेस से वैलिडेशन से रिपोर्टिंग तक एक ही पाइपलाइन में
• सहयोग के लिए बनाया गया: सुंदर इंटरैक्टिव रिपोर्ट्स के माध्यम से सहकर्मियों के साथ परिणाम साझा करें
• व्यावहारिक आउटपुट: वही प्राप्त करें जिसकी आपको आवश्यकता है: गणना, निकासी, सारांश, या पूर्ण रिपोर्ट
• लचीला परिनियोजन: नोटबुक, स्क्रिप्ट या डेटा पाइपलाइन में उपयोग करें
• सिंथेटिक डेटा जनरेशन: 30+ प्रीसेट, यूजर एजेंट स्ट्रिंग्स, लोकेल-अनुकूल फ़ॉर्मेटिंग और 100 देश समर्थन के साथ यथार्थवादी टेस्ट डेटा बनाएं
• अनुकूलन योग्य: अपनी विशिष्ट आवश्यकताओं के अनुसार वैलिडेशन स्टेप्स और रिपोर्टिंग को अनुकूलित करें
• अंतर्राष्ट्रीयकरण: रिपोर्ट्स 40 भाषाओं में जनरेट की जा सकती हैं, जिनमें अंग्रेजी, स्पेनिश, फ्रेंच और जर्मन शामिल हैं

दस्तावेज़ीकरण और उदाहरण

हमारे दस्तावेज़ीकरण साइट पर जाएँ:

• यूजर गाइड
• API संदर्भ
• उदाहरण गैलरी
• पॉइंटब्लॉग

समुदाय से जुड़ें

हम आपसे सुनना पसंद करेंगे! हमसे जुड़ें:

• GitHub Issues बग रिपोर्ट और फीचर अनुरोधों के लिए
• Discord सर्वर चर्चाओं और सहायता के लिए
• योगदान दिशानिर्देश यदि आप पॉइन्टब्लैंक को सुधारने में मदद करना चाहते हैं

इंस्टॉलेशन

आप pip का उपयोग करके पॉइन्टब्लैंक इंस्टॉल कर सकते हैं:

pip install pointblank

आप Conda-Forge से पॉइन्टब्लैंक भी इंस्टॉल कर सकते हैं:

conda install conda-forge::pointblank

यदि आपके पास Polars या Pandas इंस्टॉल नहीं है, तो आपको पॉइन्टब्लैंक का उपयोग करने के लिए उनमें से एक को इंस्टॉल करने की आवश्यकता होगी।

pip install "pointblank[pl]" # Polars के साथ पॉइन्टब्लैंक इंस्टॉल करें
pip install "pointblank[pd]" # Pandas के साथ पॉइन्टब्लैंक इंस्टॉल करें

DuckDB, MySQL, PostgreSQL, या SQLite के साथ पॉइन्टब्लैंक का उपयोग करने के लिए, उपयुक्त बैकएंड के साथ Ibis इंस्टॉल करें:

pip install "pointblank[duckdb]"   # Ibis + DuckDB के साथ पॉइन्टब्लैंक इंस्टॉल करें
pip install "pointblank[mysql]"    # Ibis + MySQL के साथ पॉइन्टब्लैंक इंस्टॉल करें
pip install "pointblank[postgres]" # Ibis + PostgreSQL के साथ पॉइन्टब्लैंक इंस्टॉल करें
pip install "pointblank[sqlite]"   # Ibis + SQLite के साथ पॉइन्टब्लैंक इंस्टॉल करें

तकनीकी विवरण

पॉइन्टब्लैंक, Polars और Pandas DataFrames के साथ काम करने के लिए Narwhals का उपयोग करता है और डेटाबेस और फाइल फॉर्मेट सपोर्ट के लिए Ibis के साथ एकीकृत होता है। यह आर्किटेक्चर विभिन्न स्रोतों से टेबुलर डेटा को वैलिडेट करने के लिए एक सुसंगत API प्रदान करता है।

पॉइन्टब्लैंक में योगदान देना

पॉइन्टब्लैंक के चल रहे विकास में योगदान देने के कई तरीके हैं। कुछ योगदान सरल हो सकते हैं (जैसे टाइपो ठीक करना, दस्तावेज़ीकरण में सुधार, फीचर अनुरोधों या समस्याओं के लिए इश्यूज दर्ज करना, आदि) और अन्य को अधिक समय और देखभाल की आवश्यकता हो सकती है (जैसे प्रश्नों के उत्तर देना और कोड परिवर्तन के साथ PRs सबमिट करना)। बस यह जानें कि आप जो भी मदद कर सकते हैं उसकी बहुत सराहना की जाएगी!

शुरू करने के बारे में जानकारी के लिए कृपया योगदान दिशानिर्देश पढ़ें।

रोडमैप

हम सक्रिय रूप से पॉइन्टब्लैंक को इन विशेषताओं के साथ बढ़ा रहे हैं:

1. व्यापक डेटा क्वालिटी जाँच के लिए अतिरिक्त वैलिडेशन मेथड्स
2. उन्नत लॉगिंग क्षमताएं
3. थ्रेशोल्ड उल्लंघन के लिए मैसेजिंग एक्शन्स (स्लैक, ईमेल)
4. LLM-पावर्ड वैलिडेशन सुझाव और डेटा डिक्शनरी जनरेशन
5. पाइपलाइन पोर्टेबिलिटी के लिए JSON/YAML कॉन्फिगरेशन
6. कमांड लाइन से वैलिडेशन के लिए CLI उपयोगिता
7. विस्तारित बैकएंड समर्थन और प्रमाणीकरण
8. उच्च-गुणवत्ता दस्तावेज़ीकरण और उदाहरण

यदि आपके पास फीचर्स या सुधारों के लिए कोई विचार है, तो हमसे साझा करने में संकोच न करें! हम हमेशा पॉइन्टब्लैंक को बेहतर बनाने के तरीके तलाश रहे हैं।

आचार संहिता

कृपया ध्यान दें कि पॉइन्टब्लैंक प्रोजेक्ट योगदानकर्ता आचार संहिता के साथ जारी किया गया है।
इस प्रोजेक्ट में भाग लेकर, आप इसके नियमों का पालन करने के लिए सहमत हैं।

📄 लाइसेंस

पॉइन्टब्लैंक MIT लाइसेंस के अंतर्गत लाइसेंस प्राप्त है।

© Posit Software, PBC.

🏛️ गवर्नेंस

इस प्रोजेक्ट का मुख्य रूप से रखरखाव Rich Iannone द्वारा किया जाता है। अन्य लेखक कभी-कभी इन कार्यों में सहायता कर सकते हैं।