要在安装后开始玩GE，我们需要创建数据上下文。这是GE的中央配置点，存储所有的验证规则和数据源。
Great Expectations提供了两种与它的API互动的方式：
- 代码--允许我们充分使用GE的功能。
- CLI-易于使用，对于大多数用例和需要一些代码的地方来说相当强大。例如，在创建Expectations套件时，CLI将重定向到Jupyter Notebook。
在大多数时候，我们会坚持使用CLI：
输入great_expectations init命令将初始化一个新的数据上下文。
创建数据源配置，存储所有的数据源信息，可以在init阶段或通过运行great_expectations datasource new 命令来实现：
接下来，让我们运行great_expectations datasource list命令。我们可以列出我们的数据源，如下所示：
现在，我们可以通过使用命令脚手架来创建一些新的预期，如下图所示：
great_expectations suite scaffold airbnb
经过一些处理后，一个提示应该将我们重定向到一个新的Jupyter笔记本：
我们可以运行Expectations，它是根据GE的数据分析功能自动生成的。然而，它们并不打算在生产中运行，因为它们只是根据数据的统计属性生成的，可能不会实现任何有意义的目的。因此，它们应该作为定义一些更有意义的期望值的基础。
我们可以通过向批处理对象添加Expectations来实现，批处理对象是SparkDFDataset的一个实例，持有对spark dataFrame的一些引用。
运行每个单元后，GE应该在浏览器的新标签中启动Data Docs。
让我们以如下方式修改上述代码。
我替换了默认的batch_kwargs，删除了 "datasource "旁边的所有参数，并添加了带有模式的 DataFrame（我找不到直接将模式加载到 Great_Expectations 的方法）。这是通过将解析CSV直接移到spark.csv方法中来完成的，而不是让GE自己去解析它。这样一来，我们就可以获得正确标注的列：
现在，我们可以定义一些 "期望"。
在运行最后一个单元格后，我们将被重定向到浏览器，并生成一个数据文件：
这里我们可以看到一些失败的期望值。事实上，所有这些都失败了，因为所有这些提到的列都包含一些空数据。现在，为了继续进行，我们需要删除这些空数据。
