simpledataquality 1.0.0

A package implement a basic data quelity check

Business Rules Validator

Este proyecto implementa un validador de reglas de negocio en Python utilizando pandas y una base de datos MSSQL.

📌 Características

• Validación de reglas de negocio almacenadas en la base de datos.
• Soporte para múltiples tipos de reglas como valores únicos, rangos, expresiones regulares y más.
• Capacidad para definir funciones personalizadas como validadores.
• Integración con MSSQL mediante dataquality.

📦 Instalación

Asegúrate de tener Python 3.8+ instalado y ejecuta:

pip install dataquality

🚀 Uso

1. Inicialización del validador

from business_rules_validator import BusinessRulesValidator

validator = BusinessRulesValidator()

2. Cargar reglas de negocio desde la base de datos

reglas = validator.cargar_reglas_negocio()

3. Aplicar reglas a un DataFrame

import pandas as pd

df = pd.DataFrame({
    'edad': [20, 17],
    'salario': [45000, 60000],
    'email': ['[e-mail]', 'invalid-email'],
    'codigo': ['A123', 'B456'],
    'anio': ['2025-02-15', '2025-04-10']
})

errores = validator.aplicar_reglas(df, reglas)

if errores:
    print("Errores encontrados:", errores)
else:
    print("Todos los datos son válidos.")

📖 Tipos de Reglas

Las reglas de validación se almacenan en la base de datos con los siguientes tipos:

Tipo de Regla	Descripción
NO_NULO	El campo no puede ser nulo.
UNICO	El campo debe tener valores únicos.
EXPRESION_REGULAR	El campo debe coincidir con una expresión regular.
MINIMO	El valor mínimo permitido.
MAXIMO	El valor máximo permitido.
CANTIDAD_REGISTROS	Debe haber exactamente X registros.
PROMEDIO	El promedio del campo debe ser un valor específico.
DESVIACION_ESTANDAR	La desviación estándar debe ser un valor específico.
RANGO	El valor debe estar dentro de un rango.
RANGO_VALOR	Si el primer campo está en un rango, el segundo debe cumplir un valor específico.
RANGO_RANGO	Si el primer campo está en un rango, el segundo debe estar en un subrango.
FUNCION_PERSONALIZADA	Se ejecuta una función definida por el usuario.
HISTORICA_MAYOR	El valor debe ser mayor a un histórico de la base de datos.
HISTORICA_MENOR	El valor debe ser menor a un histórico de la base de datos.
COLUMNAS	Valida que ciertas columnas existan en el DataFrame.

📂 Ejemplo de Reglas en la Base de Datos

nombre_columna	tipo_regla	valor_regla	mensaje_error
edad	MINIMO	18	La edad debe ser al menos 18 años
salario	MAXIMO	50000	El salario no puede exceder los 50,000
email	EXPRESION_REGULAR	^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$	El email no es válido
codigo	UNICO	NULL	El código debe ser único
codigo	FUNCION_PERSONALIZADA	def validar_codigo(valor): return valor.startswith("A")	Código no válido
anio	RANGO	2025-01-01,2025-03-01	El rango de valores debe ser entre 2025-01-01 y 2025-03-01
edad	RANGO	18,45	El rango de valores debe ser entre 18 y 45
anio,salario	RANGO_VALOR	2025-01-01,2025-02-28,40000	En el rango de valores entre 2025-01-01 y 2025-02-28 debe tener valor de 40000
salario	HISTORICA_MAYOR	SELECT 39000 total	El salario debe ser mayor a 39000

🔧 Extensión y Personalización

Si necesitas agregar nuevas reglas, puedes extender la clase BusinessRulesValidator y definir nuevas funciones de validación.

class CustomValidator(BusinessRulesValidator):
    def nueva_regla(self, valor):
        return valor in ["A", "B", "C"]

🛠 Mantenimiento y Contribución

1. Clona este repositorio.
2. Instala dependencias.
3. Realiza cambios y envía un Pull Request.

---

© 2025 - Business Rules Validator By: Alan Medina & Camila Vanegas ⚙️