DataSource 설정¶
실무 운영 가이드에서 Truthound을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다.
빠른 시작¶
from truthound.datasources import get_datasource
# Auto-detect source type
ds = get_datasource(df) # Polars/Pandas DataFrame
ds = get_datasource("data.parquet") # File path
ds = get_datasource("postgresql://user:pass@localhost/db", table="users")
DataSourceConfig¶
실무 운영 가이드에서 Base을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다.
from truthound.datasources.base import DataSourceConfig
config = DataSourceConfig(
name="my_source",
max_rows=10_000_000, # Size limit before sampling
max_memory_mb=4096, # Memory limit (4GB)
sample_size=100_000, # Default sample size
sample_seed=42, # Reproducible sampling
cache_schema=True, # Cache schema info
strict_types=False, # Strict type checking
metadata={}, # Custom metadata
)
Default Values¶
| 실무 운영 가이드에서 Parameter을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Default을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Description을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
|---|---|---|
실무 운영 가이드에서 max_rows을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Max을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 max_memory_mb을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Memory을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 sample_size을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Default을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 sample_seed을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Seed을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 cache_schema을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 True을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 캐시 스키마 information |
실무 운영 가이드에서 strict_types을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 False을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Enable을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
SQL DataSource 설정¶
SQLDataSourceConfig¶
실무 운영 가이드에서 SQL, Extended을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다.
from truthound.datasources.sql.base import SQLDataSourceConfig
config = SQLDataSourceConfig(
# Inherited from DataSourceConfig
max_rows=10_000_000,
# SQL-specific
pool_size=5, # Connection pool size
pool_timeout=30.0, # Pool acquire timeout
query_timeout=300.0, # Query timeout (5 min)
fetch_size=10000, # Rows per fetch batch
materialization_row_limit=100_000, # Polars fallback 최대 행 수
use_server_side_cursor=False, # Server-side cursors
schema_name=None, # Database schema
)
max_rows는 DataSource 전체 안전 한도이고, materialization_row_limit는
Python 메모리에서 Polars fallback을 수행할 때의 더 엄격한 한도입니다. fallback은
fetch_size batch로 limit + 1행까지 확인하므로 동시 데이터 증가를 감지하며,
일부 데이터가 전체 결과인 것처럼 성공 처리되지 않습니다.
| 설정 | 기본값 | 의미 |
|---|---|---|
fetch_size |
10,000 | fallback batch당 요청할 최대 행 수 |
materialization_row_limit |
100,000 | 완전한 Polars fallback으로 허용할 최대 행 수 |
use_server_side_cursor |
False | provider별 server cursor 선호 설정 |
Connection Pooling¶
from truthound.datasources.sql.base import SQLConnectionPool
pool = SQLConnectionPool(
connection_factory=create_connection,
size=5, # Max connections
timeout=30.0, # Acquire timeout
)
# Context manager usage
with pool.acquire() as conn:
cursor = conn.cursor()
cursor.execute("SELECT * FROM users")
데이터베이스-Specific 설정¶
PostgreSQL¶
from truthound.datasources.sql.postgresql import (
PostgreSQLDataSource,
PostgreSQLDataSourceConfig,
)
# Option 1: Direct parameters
ds = PostgreSQLDataSource(
table="users",
host="localhost",
port=5432,
database="mydb",
user="postgres",
password="secret",
schema_name="public",
)
# Option 2: Connection string
ds = PostgreSQLDataSource.from_connection_string(
"postgresql://postgres:secret@localhost:5432/mydb",
table="users",
schema_name="public",
)
# Option 3: Full config
config = PostgreSQLDataSourceConfig(
host="localhost",
port=5432,
database="mydb",
user="postgres",
password="secret",
sslmode="require", # SSL mode
application_name="truthound", # Application name
schema_name="public",
pool_size=10,
query_timeout=600.0,
)
| 실무 운영 가이드에서 Parameter을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Default을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Description을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
|---|---|---|
실무 운영 가이드에서 host을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 데이터베이스 host |
실무 운영 가이드에서 port을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 PostgreSQL, SQL을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 database을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 데이터베이스 name |
실무 운영 가이드에서 user을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Username을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 sslmode을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 SSL을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 application_name을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Application을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 schema_name을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | Default 스키마 |
MySQL¶
from truthound.datasources.sql.mysql import (
MySQLDataSource,
MySQLDataSourceConfig,
)
ds = MySQLDataSource(
table="users",
host="localhost",
port=3306,
database="mydb",
user="root",
password="secret",
)
# Full config
config = MySQLDataSourceConfig(
host="localhost",
port=3306,
database="mysql",
user="root",
password="",
charset="utf8mb4",
ssl=None, # SSL config dict
autocommit=True,
)
| 실무 운영 가이드에서 Parameter을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Default을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Description을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
|---|---|---|
실무 운영 가이드에서 host을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 데이터베이스 host |
실무 운영 가이드에서 port을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 MySQL, SQL을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 database을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 데이터베이스 name |
실무 운영 가이드에서 user을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Username을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 charset을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Character을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 autocommit을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 True을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Auto-commit을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
SQLite¶
from truthound.datasources.sql.sqlite import (
SQLiteDataSource,
SQLiteDataSourceConfig,
)
# In-memory database
ds = SQLiteDataSource(
table="users",
database=":memory:",
)
# File database
ds = SQLiteDataSource(
table="users",
database="./data.db",
)
# Query mode
ds = SQLiteDataSource(
query="SELECT * FROM users WHERE active = 1",
database="./data.db",
)
# Full config
config = SQLiteDataSourceConfig(
database=":memory:",
timeout=5.0,
detect_types=sqlite3.PARSE_DECLTYPES | sqlite3.PARSE_COLNAMES,
isolation_level=None,
)
Cloud Data 웨어하우스 설정¶
Base Cloud 설정¶
from truthound.datasources.sql.cloud_base import CloudDWConfig
config = CloudDWConfig(
project=None, # Cloud project
warehouse=None, # Warehouse name
region=None, # Cloud region
role=None, # Access role
timeout=300, # Query timeout
use_cache=True, # Result caching
credentials_path=None, # Path to credentials file
credentials_dict={}, # Credentials as dict
)
Google BigQuery¶
from truthound.datasources.sql.bigquery import (
BigQueryDataSource,
BigQueryConfig,
)
ds = BigQueryDataSource(
table="users",
project="my-project",
dataset="my_dataset",
credentials_path="./service-account.json",
location="US",
)
# Full config
config = BigQueryConfig(
dataset="my_dataset",
location="US",
use_legacy_sql=False,
maximum_bytes_billed=10_000_000_000, # Cost control
job_timeout=300,
)
| 실무 운영 가이드에서 Parameter을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Default을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Description을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
|---|---|---|
실무 운영 가이드에서 dataset을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 None을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 BigQuery을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 location을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 None을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Data을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 use_legacy_sql을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 False을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 SQL을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 maximum_bytes_billed을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 None을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Cost을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 job_timeout을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 작업 timeout in seconds |
Snowflake¶
from truthound.datasources.sql.snowflake import (
SnowflakeDataSource,
SnowflakeConfig,
)
ds = SnowflakeDataSource(
table="users",
account="xy12345.us-east-1",
user="myuser",
database="MYDB",
schema="PUBLIC",
warehouse="COMPUTE_WH",
password="secret",
role="ANALYST",
)
# Full config
config = SnowflakeConfig(
account=None,
user=None,
password=None,
database=None,
schema_name="PUBLIC",
warehouse=None,
role=None,
authenticator="snowflake", # snowflake, externalbrowser, oauth
private_key_path=None, # Key-pair auth
private_key_passphrase=None,
token=None, # OAuth token
client_session_keep_alive=True,
)
Amazon Redshift¶
from truthound.datasources.sql.redshift import (
RedshiftDataSource,
RedshiftConfig,
)
ds = RedshiftDataSource(
table="users",
host="cluster.region.redshift.amazonaws.com",
port=5439,
database="mydb",
user="admin",
password="secret",
)
# IAM authentication
config = RedshiftConfig(
host=None,
port=5439,
database=None,
user=None,
password=None,
iam_auth=False, # Use IAM auth
cluster_identifier=None,
db_user=None,
access_key_id=None,
secret_access_key=None,
session_token=None,
ssl=True,
ssl_mode="verify-ca",
)
Databricks¶
from truthound.datasources.sql.databricks import (
DatabricksDataSource,
DatabricksConfig,
)
ds = DatabricksDataSource(
table="users",
host="workspace.cloud.databricks.com",
http_path="/sql/1.0/warehouses/abc123",
access_token="dapi...",
catalog="main",
)
# Full config
config = DatabricksConfig(
host=None,
http_path=None, # SQL warehouse path
access_token=None, # Personal access token
catalog=None, # Unity Catalog
use_cloud_fetch=True, # Optimize large results
max_download_threads=10,
client_id=None, # OAuth
client_secret=None,
use_oauth=False,
)
In-Memory & 파일 DataSources¶
Polars¶
from truthound.datasources.polars_source import (
PolarsDataSource,
PolarsDataSourceConfig,
)
ds = PolarsDataSource(
data=pl.DataFrame({"a": [1, 2, 3]}),
)
config = PolarsDataSourceConfig(
rechunk=False, # Rechunk for performance
streaming=False, # Streaming mode for large files
)
파일-Based Sources¶
from truthound.datasources.polars_source import (
FileDataSource,
FileDataSourceConfig,
)
# Auto-detect format
ds = FileDataSource("data.csv")
ds = FileDataSource("data.parquet")
ds = FileDataSource("data.json")
config = FileDataSourceConfig(
infer_schema_length=10000, # Rows for schema inference
ignore_errors=False,
encoding="utf8",
separator=",", # CSV separator
)
Dictionary 소스¶
from truthound.datasources.polars_source import DictDataSource
ds = DictDataSource({
"name": ["Alice", "Bob"],
"age": [30, 25],
})
Pandas 소스¶
PySpark 소스¶
from truthound.datasources.spark_source import (
SparkDataSource,
SparkDataSourceConfig,
)
ds = SparkDataSource(spark_df)
config = SparkDataSourceConfig(
max_rows_for_local=100_000, # Conservative limit
sampling_fraction=None, # Auto-calculate
persist_sampled=True,
force_sampling=False,
repartition_for_sampling=None,
)
Factory Functions¶
Auto-Detection¶
from truthound.datasources import get_datasource
# Polars DataFrame
ds = get_datasource(pl_df)
# Pandas DataFrame
ds = get_datasource(pd_df)
# PySpark DataFrame
ds = get_datasource(spark_df)
# Dictionary
ds = get_datasource({"a": [1, 2, 3]})
# File path
ds = get_datasource("data.parquet")
# SQL connection string
ds = get_datasource(
"postgresql://user:pass@localhost/db",
table="users",
)
Convenience Functions¶
from truthound.datasources import (
from_polars,
from_pandas,
from_spark,
from_file,
from_dict,
)
ds = from_polars(pl_df)
ds = from_pandas(pd_df)
ds = from_spark(spark_df, force_sampling=True)
ds = from_file("data.csv")
ds = from_dict({"col": [1, 2, 3]})
DataSource Capabilities¶
실무 운영 가이드에서 관련 설정과 실행 흐름을(를) 다루는 항목입니다:
from truthound.datasources._protocols import DataSourceCapability
# Check capabilities
if DataSourceCapability.SQL_PUSHDOWN in ds.capabilities:
# Use query pushdown optimization
pass
if DataSourceCapability.LAZY_EVALUATION in ds.capabilities:
# Use lazy evaluation
pass
| 실무 운영 가이드에서 Capability을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 Description을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
|---|---|
실무 운영 가이드에서 LAZY_EVALUATION, LAZY_EVALUATION을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 Supports을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 SQL, SQL_PUSHDOWN, SQL_PUSHDOWN을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
Can push operations to 데이터베이스 |
실무 운영 가이드에서 SAMPLING, SAMPLING을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 Supports을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 STREAMING, STREAMING을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 Supports을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 SCHEMA_INFERENCE, SCHEMA_INFERENCE을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
Can infer 스키마 automatically |
실무 운영 가이드에서 ROW_COUNT, ROW_COUNT을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
실무 운영 가이드에서 Can을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
테이블 vs Query Mode¶
실무 운영 가이드에서 SQL을(를) 다루는 항목입니다:
# Table mode (default)
ds = PostgreSQLDataSource(
table="users",
host="localhost",
database="mydb",
)
# Query mode
ds = PostgreSQLDataSource(
query="SELECT * FROM users WHERE active = 1",
host="localhost",
database="mydb",
)
# Check mode
if ds.is_query_mode:
print(f"Query: {ds.query_sql}")
else:
print(f"Table: {ds.full_table_name}")
Cost-Aware Execution¶
실무 운영 가이드에서 Cloud을(를) 다루는 항목입니다:
# Check cost before execution
result = ds.execute_with_cost_check(
query="SELECT * FROM large_table",
max_bytes=10_000_000_000, # 10GB limit
max_cost_usd=1.0, # $1 limit
)
Type Mapping¶
실무 운영 가이드에서 Unified을(를) 다루는 항목입니다:
| 소스 Type | 실무 운영 가이드에서 ColumnType을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
|---|---|
| 실무 운영 가이드에서 INT, INTEGER을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 INTEGER을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 FLOAT, DOUBLE을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 FLOAT을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 VARCHAR, TEXT을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 STRING을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 DATE을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 DATE을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 TIMESTAMP, DATETIME을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 DATETIME을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 BOOLEAN, BOOL을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 BOOLEAN을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 JSON, JSONB을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 JSON을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 ARRAY을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 LIST을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |
| 실무 운영 가이드에서 STRUCT을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. | 실무 운영 가이드에서 STRUCT을(를) 기준으로 데이터 품질 검증, 워크플로우 자동화, 결과 해석 방법을 설명합니다. |