Le paysage de la validation des données en 2025

• Présentation des principaux outils de validation des données actuels (en 2025) et recommandations selon les cas d’usage
• La validation des données consiste à vérifier automatiquement ou semi-automatiquement la qualité des données
  • Vérification des types de données, comptage des valeurs manquantes, détection des valeurs anormales
• Il est possible de valider non seulement les lignes d’un dataframe, mais aussi les entrées d’API ou les valeurs soumises via des formulaires
• L’utilisateur peut définir des règles, par exemple qu’une certaine colonne doit contenir des valeurs comprises dans une plage donnée
• En cas d’échec de validation : il est possible de lever une erreur, de générer un rapport de validation, puis de traiter le problème manuellement ou automatiquement

Pourquoi la validation des données est importante

• Les travaux d’analyse des organismes publics se divisent en deux grandes catégories :
  • Analyses ad hoc – travaux d’analyse ponctuels
  • Production statistique régulière – collecte et traitement réguliers de nouvelles données
• Il est nécessaire de valider les données avant que les erreurs n’affectent les résultats d’analyse
• La validation des données est efficace pour réduire le risque d’erreur et améliorer la précision

Principaux outils de validation des données

1. Great Expectations

• Outil de validation des données puissant, adapté à un niveau de production

• Dispose d’un package open source et propose également un service cloud payant

• Offre des fonctionnalités avancées :

  • automatisation possible, par exemple l’envoi de messages Slack en cas d’échec de validation

• La configuration est complexe et nécessite souvent des compétences en data science

• Exemple de code :

  import great_expectations as gx  
  import pandas as pd  
  
  context = gx.get_context()  
  df = pd.read_csv("https://raw.githubusercontent.com/great-expectations/gx_tutorials/…;)  
  
  data_source = context.data_sources.add_pandas("pandas")  
  data_asset = data_source.add_dataframe_asset(name="pd dataframe asset")  
  batch_definition = data_asset.add_batch_definition_whole_dataframe("batch definition")  
  batch = batch_definition.get_batch(batch_parameters={"dataframe": df})  
  
  # Vérifier que les valeurs sont comprises entre 1 et 6  
  expectation = gx.expectations.ExpectColumnValuesToBeBetween(column="passenger_count", min_value=1, max_value=6)  
  validation_result = batch.validate(expectation)  
  

  Exemple de configuration d’une alerte Slack en cas d’échec de validation :

  from gx.actions import SlackNotificationAction, UpdateDataDocsAction  
  
  action_list = [  
      SlackNotificationAction(  
          name="send_slack_notification_on_failed_expectations",  
          slack_token="${validation_notification_slack_webhook}",  
          slack_channel="${validation_notification_slack_channel}",  
          notify_on="failure",  
          show_failed_expectations=True,  
      ),  
      UpdateDataDocsAction(name="update_all_data_docs"),  
  ]  
  

2. Pointblank

• Outil de validation des données Python récent, lancé en 2024 (créé par RStudio → Posit)
• Influencé par Great Expectations et propose une syntaxe intuitive
• Prend en charge diverses sources de données comme Polars, Pandas et DuckDB
• Exemple de code :

  import pointblank as pb  
  
  validation = (  
      pb.Validate(data=pb.load_dataset(dataset="small_table"))  
      .col_vals_gt(columns="d", value=100)  
      .col_vals_le(columns="c", value=5)  
      .col_exists(columns=["date", "date_time"])  
      .interrogate()  
  )  
  

• Manque de fonctionnalités d’automatisation des actions de suivi → les actions ultérieures doivent être traitées manuellement

3. Pandera

• Propose une API similaire à Great Expectations

• Prend en charge les tests d’hypothèse statistiques

• Prend en charge diverses sources de données comme Polars, Geopandas et Pyspark

• Exemple de code :

  import pandas as pd  
  import pandera as pa  
  
  df = pd.DataFrame({  
      "column1": [1, 4, 0, 10, 9],  
      "column2": [-1.3, -1.4, -2.9, -10.1, -20.4],  
      "column3": ["value_1", "value_2", "value_3", "value_2", "value_1"],  
  })  
  
  schema = pa.DataFrameSchema({  
      "column1": pa.Column(int, checks=pa.Check.le(10)),  
      "column2": pa.Column(float, checks=pa.Check.lt(-1.2)),  
      "column3": pa.Column(str, checks=[  
          pa.Check.str_startswith("value_"),  
          pa.Check(lambda s: s.str.split("_", expand=True).shape[1] == 2)  
      ]),  
  })  
  
  validated_df = schema(df)  
  

• Exemple de test d’hypothèse statistique :

  from scipy import stats  
  
  schema = pa.DataFrameSchema({  
      "height_in_feet": pa.Column(float, [  
          pa.Hypothesis.two_sample_ttest(  
              sample1="M",  
              sample2="F",  
              groupby="sex",  
              relationship="greater_than",  
              alpha=0.05,  
              equal_var=True  
          )  
      ]),  
      "sex": pa.Column(str)  
  })  
  
  schema.validate(df)  
  

4. Pydantic

• Outil de validation fondé sur des dictionnaires, et non sur des dataframes
• Adapté à la validation de données JSON et non structurées
• Peut s’intégrer à des frameworks d’API comme FastAPI
• Exemple de code :

  from pydantic import BaseModel, PositiveInt  
  from datetime import datetime  
  
  class User(BaseModel):  
      id: int  
      name: str = 'John Doe'  
      signup_ts: datetime | None  
      tastes: dict[str, PositiveInt]  
  
  external_data = {  
      'id': 123,  
      'signup_ts': '2019-06-01 12:22',  
      'tastes': {'wine': 9, 'cheese': 7, 'cabbage': '1'}  
  }  
  
  user = User(**external_data)  
  

5. Cerberus

• Outil de validation fondé sur des dictionnaires
• Configuration simple basée sur des règles
• Retourne une valeur True/False → ne lève pas d’erreur
• Exemple de code :

  from cerberus import Validator  
  
  schema = {'name': {'type': 'string'}}  
  v = Validator(schema)  
  document = {'name': 'john doe'}  
  v.validate(document)  
  # True  
  

6. jsonschema

• Outil de validation pour les données JSON
• Définition fondée sur un schéma
• Exemple de code :

  from jsonschema import validate  
  
  schema = {  
      "type": "object",  
      "properties": {  
          "price": {"type": "number"},  
          "name": {"type": "string"}  
      }  
  }  
  
  validate(instance={"name": "Eggs", "price": 34.99}, schema=schema)  
  

Quel outil utiliser dans le secteur public ?

• Validation de dataframes ou de bases de données :
  • usage en système de production → Great Expectations recommandé
  • validation simple → Pandera recommandé
  • envie d’essayer un outil récent → Pointblank recommandé
• Validation d’API ou d’entrées utilisateur :
  • données non structurées → Pydantic recommandé
• Validation JSON simple :
  • jsonschema recommandé
• Si une validation très simple suffit :
  • Cerberus recommandé