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 de tus tablas de BigQuery. Esta información te ayuda a comprender y analizar tus datos de manera más eficaz.

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

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

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

Nota: Dataplex ejecuta análisis en recursos de un proyecto de inquilino de Google, por lo que no necesitas configurar tu propia infraestructura.

Opciones de configuración

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

Opciones de programación

Puedes programar un análisis de perfil de datos con una frecuencia definida o a pedido a través de la API o la consola de Google Cloud .

Alcance

Como parte de la especificación de un análisis de generación 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 perfil 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 perfilación.

• Incremental: Los datos incrementales que especifiques se analizan en el análisis de perfiles de datos. Especifica una columna Date o Timestamp en la tabla que se usará como incremento. Por lo general, esta 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 creación de perfiles.

Filtra datos

Puedes filtrar los datos que se analizarán para crear perfiles con filtros de filas y de columnas. El uso de filtros te ayuda a reducir el tiempo y el costo de ejecución, y a excluir datos sensibles y poco útiles.

• Filtros de fila: Los filtros de fila te permiten enfocarte en los datos de un período específico o de un segmento específico, como una región. Por ejemplo, puedes filtrar los 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 creación de perfiles de datos.

Datos de muestra

Dataplex te permite especificar un porcentaje de registros de tus datos para muestrearlos y ejecutar un análisis de generación de perfiles de datos. Crear 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.

Varios análisis de creación de perfiles de datos

Dataplex te permite crear varios análisis de perfiles de datos a la vez con la consola de Google Cloud . Puedes seleccionar hasta 100 tablas de un conjunto de datos y crear un análisis de perfiles de datos para cada uno. Más información

Exporta los resultados del análisis a una tabla de BigQuery

Puedes exportar los resultados del análisis 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 generar un informe agregado usando la misma tabla de resultados en varios análisis.

Resultados de la generación de perfiles de datos

Los resultados de la generación 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 (distintos) aproximados. Los 10 valores más comunes de la columna. Puede ser inferior a 10 si la cantidad de valores únicos en la columna es inferior a 10 (no se incluyen los valores nulos). Para cada uno de estos valores más comunes, se muestra el porcentaje de su ocurrencia en los datos analizados en el análisis actual. Promedio, desviación estándar, mínimo, cuartil inferior aproximado, mediana aproximada, cuartil superior aproximado y valores máximos
Columna de cadena	Porcentaje de valores nulos. Porcentaje de valores únicos (distintos) aproximados. Los 10 valores más comunes de la columna, que pueden ser menos de 10 si la cantidad de valores únicos en la columna es inferior a 10. Es la longitud promedio, mínima y máxima de la cadena.
Otras columnas no anidadas (fecha, hora, marca de tiempo, binario, etcétera)	Porcentaje de valores nulos. Porcentaje de valores únicos (distintos) aproximados. Los 10 valores más comunes de la columna, que pueden ser menos de 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 Record, Array o JSON) o cualquier columna con el modo repeated	Porcentaje de valores nulos.

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

Nota: Los valores aproximados pueden diferir de los valores reales en un 1% o 2% para mejorar el rendimiento.

Generación de informes y supervisión

Puedes supervisar y analizar los resultados de la generación 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 perfil de datos para publicar los resultados en las páginas de BigQuery y Data Catalog en la consola deGoogle Cloud , puedes ver los resultados más recientes del análisis de perfil de datos en estas páginas en la pestaña Data Profile, desde cualquier proyecto.

  

• Histórico, por informe de trabajo en Dataplex

  En la página Perfil de Dataplex, puedes ver los informes detallados de los trabajos más recientes y los históricos. 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 cómo el promedio de un valor ha tenido tendencias a lo largo del tiempo.

  

• Crea tu propio panel o estadísticas

  Si configuraste un análisis de perfil de datos para exportar o guardar los resultados en una tabla de BigQuery, puedes crear tus propios paneles con herramientas, como Looker Studio.

Limitaciones

• Los resultados de la creación de perfiles de datos no se publican en Data Catalog como etiquetas.
• La generación 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 genera un error de validación y no se crea correctamente.
• 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 generación 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 a 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 generación de perfiles de datos se factura por segundo con un mínimo de un minuto.

• No se te cobra por los análisis de perfiles que fallan.

• El cargo depende de la cantidad de filas, la cantidad de columnas, la cantidad de datos analizados, la configuración de particiones y clústeres en la tabla, y la frecuencia del análisis.

• Existen varias opciones para reducir el costo de los análisis de perfil de los datos:

  • Muestreo
  • Análisis incrementales
  • Filtrado de columnas
  • Filtrado de filas

• Para separar los cargos de perfilado de datos de otros cargos en el SKU de procesamiento premium de Dataplex, en el informe de Facturación de Cloud, 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

• Obtén más información para usar la generación de perfiles de datos.
• Obtén información sobre la calidad de datos automática.
• Obtén más información para usar la calidad de los datos automáticos.