Información acerca de la generación de perfiles de datos

La creación de perfiles de datos de Dataplex te permite identificar características estadísticas comunes de las columnas en tus tablas de BigQuery. Esta información te ayuda a comprender y analizar tus datos de manera más efectiva.

La información como los valores de datos típicos, la distribución de datos y los recuentos nulos pueden acelerar el análisis. Cuando se combina con la clasificación de datos, la creación de perfiles de datos puede detectar clases de datos o información sensible que, a su vez, puede habilitar políticas de control de acceso.

Dataplex también usa esta información para recomendar reglas para las verificaciones de calidad de los datos.

Modelo conceptual

Dataplex te permite comprender mejor el perfil de tus datos mediante la creación de un análisis de creación de perfiles de datos.

En el siguiente diagrama, se muestra cómo Dataplex escanea datos para generar informes sobre características estadísticas.

Un análisis de la creación de perfiles de datos se asocia con una tabla de BigQuery y la analiza para generar los resultados de la creación de perfiles de datos. Un análisis de creación de perfiles de datos admite varias opciones de configuración.

Opciones de configuración

En esta sección, se describen las opciones de configuración disponibles para ejecutar análisis de perfiles de datos.

Opciones de programación

Puedes programar un análisis de generación de perfiles de datos con una frecuencia definida o a pedido mediante la API o la consola de Google Cloud.

Alcance

Como parte de la especificación de un análisis de creación de perfiles de datos, puedes especificar el alcance de un trabajo como una de las siguientes opciones:

Tabla completa: Se analiza toda la tabla en el análisis de creación de perfiles de datos. El muestreo, los filtros de filas y los filtros de columnas se aplican a toda la tabla antes de calcular las estadísticas de generación de perfiles.
Incrementales: Los datos incrementales que especificas se analizan en el análisis del perfil de datos. Especifica una columna Date o Timestamp en la tabla para usarla como un incremento. Por lo general, es la columna en la que se particiona la tabla. El muestreo, los filtros de filas y los filtros de columnas se aplican a los datos incrementales antes de calcular las estadísticas de generación de perfiles.

Filtra datos

Puedes filtrar los datos que se analizarán para la generación de perfiles con filtros de filas y filtros de columna. Usar filtros te ayuda a reducir el tiempo y el costo de ejecución, y a excluir los datos sensibles y que no son útiles.

Filtros de filas: Los filtros de filas te permiten enfocarte en los datos de un período específico o de un segmento específico, como la región. Por ejemplo, puedes filtrar datos con una marca de tiempo anterior a una fecha determinada.
Filtros de columnas: Los filtros de columnas te permiten incluir y excluir columnas específicas de tu tabla para ejecutar el análisis de generación de perfiles de datos.

Datos de muestra

Dataplex te permite especificar un porcentaje de registros de tus datos para muestrear a fin de ejecutar un análisis de creación de perfiles de datos. La creación de análisis de perfiles de datos en una muestra más pequeña de datos puede reducir el tiempo de ejecución y el costo de consultar todo el conjunto de datos.

Análisis de varios perfiles de datos

Dataplex te permite crear varios análisis de perfiles de datos a la vez mediante la consola de Google Cloud. Puedes seleccionar hasta 100 tablas de un conjunto de datos y crear un análisis de perfil de datos para cada conjunto de datos. Obtener más información.

Exporta los resultados del análisis a una tabla de BigQuery

Puedes exportar los resultados del análisis de creación de perfiles de datos a una tabla de BigQuery para analizarlos en detalle. Para personalizar los informes, puedes conectar los datos de la tabla de BigQuery a un panel de Looker. Puedes crear un informe agregado si usas la misma tabla de resultados en varios análisis.

Resultados de la generación de perfiles de datos

Los resultados de la creación de perfiles de datos incluyen los siguientes valores:

Tipo de columna	Resultados de la generación de perfiles de datos
Columna numérica	Porcentaje de valores nulos Porcentaje de valores únicos aproximados (distintos). Los 10 valores más comunes de la columna. Puede ser inferior a 10 si la cantidad de valores únicos en la columna es menor que 10 (no se incluyen los valores nulos). Para cada uno de estos valores más comunes, se muestra el porcentaje de su aparición en los datos analizados en el análisis actual. Promedio, desviación estándar, cuartil inferior mínimo, aproximado, mediana aproximada, cuartil superior aproximado y valores máximos.
Columna de string	Porcentaje de valores nulos Porcentaje de valores únicos aproximados (distintos). Los 10 valores más comunes de la columna, que pueden ser inferiores a 10 si la cantidad de valores únicos en la columna es inferior a 10. La longitud promedio, mínima y máxima de la string
Otras columnas no anidadas (fecha, hora, marca de tiempo, objeto binario, etcétera)	Porcentaje de valores nulos Porcentaje de valores únicos aproximados (distintos). Los 10 valores más comunes de la columna, que pueden ser inferiores a 10 si la cantidad de valores únicos en la columna es inferior a 10.
Todas las demás columnas de tipo de datos anidadas o complejas (como Registro, Arreglo o JSON) o cualquier columna con modo repetido.	Porcentaje de valores nulos

Los resultados incluyen la cantidad de registros analizados en cada ejecución.

Generación de informes y supervisión

Puedes supervisar y analizar los resultados de la creación de perfiles de datos con los siguientes informes y métodos:

Informes publicados con la tabla de origen en las páginas de BigQuery y Data Catalog

Si configuraste un análisis de creación de perfiles de datos para publicar los resultados en las páginas de BigQuery y Data Catalog en la consola de Google Cloud, puedes ver los resultados más recientes del análisis de creación de perfiles de datos en estas páginas en la pestaña Perfil de datos de cualquier proyecto.
Informe histórico por trabajo en Dataplex

En la página Perfil de Dataplex, puedes ver los informes detallados de los trabajos históricos y más recientes. Esto incluye la información del perfil a nivel de la columna y la configuración que se usó.
Pestaña Análisis

En la página Perfil de Dataplex, puedes usar la pestaña Análisis para ver las tendencias de una estadística determinada de una columna en varios trabajos de perfil. Por ejemplo, si tienes un análisis incremental, puedes ver las tendencias del promedio de un valor a lo largo del tiempo.
Crea tu propio panel o estadísticas

Si configuraste un análisis de creación de perfiles de datos para exportar o guardar resultados en una tabla de BigQuery, puedes compilar tus propios paneles mediante herramientas, como Looker Studio.

Limitaciones

Los resultados de la creación de perfiles de datos no se publican en Data Catalog como etiquetas.
La creación de perfiles de datos es compatible con las tablas de BigQuery con todos los tipos de columnas, excepto BIGNUMERIC. Un análisis creado para una tabla con una columna BIGNUMERIC da como resultado un error de validación y no se crea de forma correcta.
Las tablas de BigQuery que se analizarán deben tener 300 columnas o menos.

Precios

Dataplex usa el SKU de procesamiento premium para cobrar por la creación de perfiles de datos. Para obtener más información, consulta Precios.
La publicación de resultados de la creación de perfiles de datos en Data Catalog aún no está disponible. Cuando esté disponible, se cobrará con la misma tarifa que los precios de almacenamiento de metadatos del catálogo. Para obtener más información, consulta Precios.
El procesamiento premium de Dataplex para la creación de perfiles de datos se factura por segundo con un mínimo de un minuto.
No se te cobrará por los análisis con errores de generación de perfiles.
El cargo depende de la cantidad de filas y columnas, la cantidad de datos analizados, la configuración de partición y agrupamiento en clústeres de la tabla y la frecuencia del análisis.
Existen varias opciones para reducir el costo de los análisis de perfiles de datos:
- Muestreo
- Análisis incrementales
- Filtrado de columnas
- Filtrado de filas
Para separar los cargos de la creación de perfiles de datos de otros cargos en el SKU de procesamiento premium de Dataplex, usa la etiqueta goog-dataplex-workload-type con el valor DATA_PROFILE.
Para filtrar los cargos agregados, usa las siguientes etiquetas:
- goog-dataplex-datascan-data-source-dataplex-entity
- goog-dataplex-datascan-data-source-dataplex-lake
- goog-dataplex-datascan-data-source-dataplex-zone
- goog-dataplex-datascan-data-source-project
- goog-dataplex-datascan-data-source-region
- goog-dataplex-datascan-id
- goog-dataplex-datascan-job-id

Próximos pasos

Aprende a usar la generación de perfiles de datos.
Obtén más información sobre la calidad automática de los datos.
Obtén información para usar la calidad automática de los datos.