O panorama da validação de dados em 2025

• Explicação das principais ferramentas de validação de dados no momento atual (2025) e recomendações por cenário
• Validação de dados (verificação de validade) é o processo de verificar automaticamente ou semiautomaticamente a qualidade dos dados
  • Verificação de tipos de dados, contagem de valores ausentes, detecção de valores anormais
• É possível validar não apenas linhas de dataframes, mas também entradas de APIs ou valores enviados por formulários
• O usuário pode definir regras, como exigir que os valores de uma determinada coluna estejam dentro de um intervalo específico
• Em caso de falha na validação: é possível gerar um erro, criar um relatório de validação e então tratar o caso manual ou automaticamente

Por que a validação de dados é importante

• O trabalho analítico em órgãos públicos se divide em dois tipos:
  • Análise ad hoc – trabalho analítico pontual
  • Geração periódica de estatísticas – coleta e processamento regulares de novos dados
• É necessário validar os dados antes que erros impactem os resultados da análise
• A validação de dados é eficaz para reduzir o risco de erros e aumentar a precisão

Principais ferramentas de validação de dados

1. Great Expectations

• Ferramenta poderosa de validação de dados em nível de produção

• Possui pacote open source e também oferece serviço de nuvem pago

• Oferece recursos avançados:

  • É possível automatizar ações, como envio de mensagens no Slack em caso de falha na validação

• A configuração é complexa e muitas vezes exige conhecimento em ciência de dados

• Código de exemplo:

  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})  
  
  # Valida se o valor está entre 1 e 6  
  expectation = gx.expectations.ExpectColumnValuesToBeBetween(column="passenger_count", min_value=1, max_value=6)  
  validation_result = batch.validate(expectation)  
  

  Exemplo de configuração de alerta no Slack em caso de falha na validação:

  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

• Ferramenta mais recente de validação de dados em Python, lançada em 2024 (criada pela Posit, ex-RStudio)
• Foi influenciada pelo Great Expectations e oferece uma sintaxe intuitiva
• Suporta várias fontes de dados, como Polars, Pandas e DuckDB
• Código de exemplo:

  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()  
  )  
  

• Falta de recursos para automatizar ações posteriores → as etapas seguintes precisam ser tratadas manualmente

3. Pandera

• Oferece uma API semelhante à do Great Expectations

• Suporta testes de hipóteses estatísticas

• Suporta várias fontes de dados, como Polars, Geopandas e Pyspark

• Código de exemplo:

  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)  
  

• Exemplo de teste de hipótese estatística:

  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

• Ferramenta de validação baseada em dicionários, não em dataframes
• Adequada para validação de JSON e dados não estruturados
• Pode ser integrada a frameworks de API como FastAPI
• Código de exemplo:

  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

• Ferramenta de validação baseada em dicionários
• Configuração simples baseada em regras
• Retorna valores True/False → não lança erro
• Código de exemplo:

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

6. jsonschema

• Ferramenta de validação de dados JSON
• Definição baseada em esquema
• Código de exemplo:

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

Qual ferramenta usar no setor público

• Validação de dataframes ou bancos de dados:
  • Uso em sistemas de produção → recomendação: Great Expectations
  • Validação simples → recomendação: Pandera
  • Testar uma ferramenta mais nova → recomendação: Pointblank
• Validação de APIs ou entrada de usuários:
  • Dados não estruturados → recomendação: Pydantic
• Validação simples de JSON:
  • recomendação: jsonschema
• Se precisar de validação simples:
  • recomendação: Cerberus