高效数据验证实践：这12个关键评估维度得知道
今天我们先聊聊数据质量，数据是算力、云游戏、
人工智能（AI）和机器学习（ML）等等与大数据相关领域的基础，完整的数据类型和足够的数据量，则是机器模型训练场景的首要保证。而数据的正确性，则影响机器人识别事务能力的体现。因此，数据质量是是人工智能（AI）和机器学习（ML）发展的最大障碍。因此，数据的质量成为各个领域中的重中之重。
而数据质量的验证，对于
测试人员来说，不是想像中的拿到什么数据就验证什么数据这么简单，因为数据的范围和类型都是未知且广泛的。因此，想做好数据的验证，只能一步步地对数据进行分解，然后再一步步的验证。
一、从数据的维度进行分解，可以分为以下12个维度：
各个维度对应的衡量标准以下:
1、完整性
·定义：必须的数据项已经被记录
· 衡量的标准：业务指定必需的数据是否缺失，不允许为空字符或是空值等。例如，数据源是否完整、维度取值是否完整、数据取值是否完整等。
· 按衡量的标准来设计的测试要点：
2、唯一性
· 定义：指的是某个事物或概念在特定范围内是独一无二的，不存在与其完全相同的事物或概念。
· 衡量的标准：在指定的数据集中是否存在重复值。
· 按衡量的标准来设计的测试要点：
实例：
如为在新增一个数据源时，数据源的名称是唯一的，但当输入同样的数据源名称时，就会给出以下提示：
3、其它的维度
其它维度就不一一详细列举，只简单得做个列表来说明：
根据上面维度的衡量标准，测试人员需要从以下方面进行考虑设计用例：
实例
数据验证时，需要先设计各种数据组合，然后在 数据库中直接建表及数据进行验证。但在数据库中直接建表验证，对数据库的伤害无法预估，存在较大的风险。我做过一个项目，有个大数据平台，可以直接在大数据平台验证数据的质量。它需要先在数据模板中填写数据组合，然后通过导入的方式，把数据导入到大数据平台中。如果是导入成功的，表及数据也会在数据库中，建了对应的表和数据。 可以到我的个人号：atstudy-js，这里有10W+ 热情踊跃的测试小伙伴们， 一起交流行业热点、测试技术各种干货， 一起共享面试经验、跳槽求职各种好用的。 欢迎加入-> 多行业测试学习交流群，内含直播课+实战+面试资料。 【AI测试、 车载测试、自动化测试、银行、金融、游戏、AIGC...】
但这种方式的好处在于，平台先对模板中填写的数据质量进行验证，然后再导入数据库中，再验证数据库中表信息、表字段、字段的码值是否符合数据库的设计要求、数据规则、业务规则等等，减少未知的数据对数据库的伤害。如下图所示：
1）导入的平台中的的表信息的字段：
2）表中的字段信息：
3）表字段中字段的码值：
4)数据模板成功导入到大数据平台后，平台就能显示出对应的表及字段信息：
二、数据的质量也可以从特征上分类：
以数据的特征为归纳点，进行数据类型的设计。
三、小结
当然，数据质量的验证远远没这么简单，特别是对大数据平台的使用，是需要好多技术做背景指导。比如说，数据存在哪类数据库，关系型的？非关系型的？Mysql、
Oracle、还是高斯、巨杉、金仓？不同的数据库有什么样的特性，每个数据库特有的属性是什么，需要关注哪些点；自定义的表是长什么样，要怎么使用；表中数据又是怎么分配的、怎么存储的等等；这种都是在数据测试过程中需要了解的硬知识。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/70034708/viewspace-3082603/ ，如需转载，请注明出处，否则将追究法律责任。
上一篇：
团队激活冒烟测试的4个关键点
请登录后发表评论
登录
全部评论
