以下是 Elementary 新鲜度检测（freshness_anomalies）可用的所有配置参数，包含详细说明： --- ### 必填参数 - timestamp_column 需要指定用于检测新鲜度的时间戳字段。 示例：

yaml   tests:     - elementary.freshness_anomalies:         timestamp_column: <timestamp column>

[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/timestamp-column) --- ### 可选参数 - where_expression 用于过滤数据的 SQL 表达式，仅对满足条件的数据进行新鲜度检测。 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/where-expression) - anomaly_sensitivity 敏感度，整数值。数值越低，检测越敏感，更容易触发异常告警。 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-sensitivity) - anomaly_direction 检测异常的方向，可选值：`spike`（默认，仅检测延迟）、`drop`、`both`。 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-direction) - ignore_small_changes 忽略小幅度变化的相关参数，包括： - spike_failure_percent_threshold - drop_failure_percent_threshold [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/ignore_small_changes) - anomaly_exclude_metrics SQL 表达式，排除特定指标不参与异常检测。 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-exclude-metrics) - training_period 训练期，指定用于模型学习的历史时间段。 - period: hour | day | week | month - count: 整数，表示周期数 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/training-period) - detection_period 检测期，指定实际检测异常的时间段。 - period: hour | day | week | month - count: 整数，表示周期数 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/detection-period) - time_bucket 时间分桶方式，决定每个检测周期的粒度。 - period: hour | day | week | month - count: 整数，表示周期数 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/time-bucket) - detection_delay 检测延迟，指定检测时延迟多长时间。 - period: hour | day | week | month - count: 整数，表示周期数 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/detection-delay) - seasonality 季节性参数，目前支持 `day_of_week`，用于处理如工作日/周末等周期性变化。 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/seasonality) --- ### 配置示例

yaml models:   - name: your_model     tests:       - elementary.freshness_anomalies:           timestamp_column: updated_at           where_expression: "status = 'active'"           anomaly_sensitivity: 2           anomaly_direction: spike           training_period:             period: day             count: 14           detection_period:             period: day             count: 2           time_bucket:             period: day             count: 1           detection_delay:             period: hour             count: 1           seasonality: day_of_week           ignore_small_changes:             spike_failure_percent_threshold: 10             drop_failure_percent_threshold: 10           anomaly_exclude_metrics: "metric_name = 'some_metric'"

--- 如需进一步了解每个参数的详细用法，可参考 [官方文档](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/freshness-anomalies) 和相关配置说明链接。 上述参数均来自官方文档和配置示例，确保准确无误。[详细参数列表参考](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/freshness-anomalies)

除了新鲜度（freshness）异常检测，Elementary 还支持多种异常检测类型，具体包括： 1. Volume Anomalies（数据量异常） 检测表的行数随时间的变化，发现行数的异常波动（如突增或骤减）。 相关测试：`elementary.volume_anomalies` [官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/volume-anomalies) 2. Event Freshness Anomalies（事件新鲜度异常） 检测事件发生时间与数据入库时间之间的延迟，适用于流式或持续更新的数据。 相关测试：`elementary.event_freshness_anomalies` [官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/event-freshness-anomalies) 3. Dimension Anomalies（维度异常） 按指定维度（如 event_name、country 等）分组，检测各分组的行数随时间的异常变化，适合低基数字段。 相关测试：`elementary.dimension_anomalies` [官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/dimension-anomalies) 4. Column Anomalies（单列异常） 针对单个字段，检测如 null 比例、最小/最大值、长度、方差等指标的异常变化。 相关测试：`elementary.column_anomalies` [官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/column-anomalies) 5. All Columns Anomalies（全表字段异常） 对表中所有字段批量执行 column_anomalies 检测，自动根据字段类型选择合适的监控指标。 相关测试：`elementary.all_columns_anomalies` [官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/all-columns-anomalies) 6. Automated Monitors（自动化监控） Elementary Cloud 提供的自动化新鲜度和数据量监控，无需配置，基于元数据自动检测表的更新延迟和行数异常。 [官方说明](https://docs.elementary-data.com/features/anomaly-detection/automated-monitors) --- 每种异常检测都可以通过 dbt 测试进行配置和运行，具体用法和参数详见官方文档。 如需进一步了解每种检测的详细原理和配置方式，可参考上述链接或 Elementary 官方文档中的 [异常检测测试介绍](https://docs.elementary-data.com/data-tests/introduction)。

以下是

elementary.volume_anomalies

支持的所有参数及详细解释，均基于官方文档内容整理： --- ### 1.

timestamp_column

用于分桶的时间戳字段。建议配置，否则只会统计全表行数，无法按时间分析。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/timestamp-column) --- ### 2.

where_expression

SQL 过滤表达式，仅对满足条件的数据进行检测。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/where-expression) --- ### 3.

anomaly_sensitivity

异常检测的敏感度，数值越小越敏感（更容易报警），数值越大越宽松。默认值为 3，表示3个标准差。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-sensitivity) --- ### 4.

anomaly_direction

异常检测方向，可选值有： - `both`（默认）：检测突增和骤减 - `spike`：只检测突增 - `drop`：只检测骤减 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-direction) --- ### 5.

detection_period

检测期，指定实际检测异常的时间段。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 默认是最近2天。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/detection-period) --- ### 6.

training_period

训练期，指定用于模型学习的历史时间段。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 默认是14天。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/training-period) --- ### 7.

time_bucket

时间分桶方式，决定每个检测周期的粒度。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 默认是每天。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/time-bucket) --- ### 8.

seasonality

季节性参数，目前支持 `day_of_week`，用于处理如工作日/周末等周期性变化。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/seasonality) --- ### 9.

fail_on_zero

当行数为0时是否直接失败。可选值：`true` 或 `false`。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/fail_on_zero) --- ### 10.

ignore_small_changes

忽略小幅度变化的相关参数，包括： -

spike_failure_percent_threshold

-

drop_failure_percent_threshold

[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/ignore_small_changes) --- ### 11.

detection_delay

检测延迟，指定检测时延迟多长时间。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 [参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/detection-delay) --- ### 12.

anomaly_exclude_metrics

SQL 表达式，排除特定指标不参与异常检测（如排除某些时间段或数值）。[参数说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-exclude-metrics) --- #### 配置示例

yaml models:   - name: your_model     tests:       - elementary.volume_anomalies:           timestamp_column: created_at           where_expression: "status = 'active'"           anomaly_sensitivity: 2           anomaly_direction: both           training_period:             period: day             count: 14           detection_period:             period: day             count: 2           time_bucket:             period: day             count: 1           seasonality: day_of_week           fail_on_zero: true           ignore_small_changes:             spike_failure_percent_threshold: 10             drop_failure_percent_threshold: 10           detection_delay:             period: hour             count: 1           anomaly_exclude_metrics: "metric_value < 10"

--- 所有参数均可灵活组合使用，详细说明可参考 [官方文档](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/volume-anomalies#test-configuration)。 如有参数未在此列出，说明知识库中暂无相关信息。

elementary.volume_anomalies

是用于**数据量异常检测**（Volume Anomalies Detection），它会监控表的行数随时间的变化，检测是否存在行数的异常波动（如突增或骤减）。官方文档称其为“Volume anomalies”检测。[详细说明见官方文档](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/volume-anomalies)。

elementary.freshness_anomalies

是用于**新鲜度异常检测**（Freshness Anomalies Detection）。它会监控表的最新时间戳（如数据更新时间），检测数据是否存在延迟或不按预期频率更新的异常情况。该测试通过分析时间分桶内的更新时间，自动识别数据更新的异常延迟。[详细说明见官方文档](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/freshness-anomalies)。

Elementary 既支持表级（table-level）测试，也支持列级（column-level）测试。 - **表级测试**：如 `elementary.volume_anomalies`、`elementary.freshness_anomalies`、`elementary.dimension_anomalies`、`elementary.all_columns_anomalies` 等，这些测试通常作用于整个表或按表的某些维度分组进行检测。 - **列级测试**：如 `elementary.column_anomalies`，可以直接在单个字段上配置，检测该字段的 null 比例、最大/最小值、长度、方差等多种指标的异常变化。例如：

yaml   models:     - name: your_model       columns:         - name: your_column           tests:             - elementary.column_anomalies:                 column_anomalies: [null_count, average]

[官方文档示例](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/column-anomalies) 此外，`elementary.all_columns_anomalies` 也是一种批量对所有列进行异常检测的表级测试，但其本质上会对每一列分别执行列级的监控指标检测。[相关说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/all-columns-anomalies) 因此，Elementary 既有表级测试，也有列级测试，并且两者可以结合使用。

elementary.column_anomalies

仅支持**列级**（column-level）异常检测。它用于在单个字段（列）上配置和检测数据质量指标的异常，如 null 比例、最小/最大值、长度、方差等。配置时需要在模型的 columns 下为具体列添加该测试，而不是直接在表级别使用。 示例配置如下：

yaml models:   - name: your_model     columns:       - name: your_column         tests:           - elementary.column_anomalies:               column_anomalies: [null_count, average]

官方文档和配置示例均表明

elementary.column_anomalies

是针对单列的异常检测，不支持直接作为表级测试使用[官方文档示例](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/column-anomalies)。

以下是

elementary.column_anomalies

支持的全部配置参数及详细说明，均基于官方文档内容整理： --- ### 1.

column_anomalies

要监控的指标列表（如

null_count

,

average

,

min

,

max

等）。如果不指定，则使用默认监控项。 示例：

yaml column_anomalies:   - null_count   - average

[详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/column-anomalies) --- ### 2.

dimensions

可选。指定一个或多个维度，对每个维度值分别进行异常检测。 示例：

yaml dimensions:   - app_name   - country

[详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/dimensions) --- ### 3.

timestamp_column

可选。用于分桶的时间戳字段。建议配置，否则只会对全量数据检测，无法按时间分析。 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/timestamp-column) --- ### 4.

where_expression

可选。SQL 过滤表达式，仅对满足条件的数据进行检测。 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/where-expression) --- ### 5.

anomaly_sensitivity

可选。异常检测的敏感度，数值越小越敏感（更容易报警），数值越大越宽松。 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-sensitivity) --- ### 6.

anomaly_direction

可选。异常检测方向，可选值有：`both`（默认，检测突增和骤减）、`spike`（只检测突增）、`drop`（只检测骤减）。 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-direction) --- ### 7.

detection_period

可选。检测期，指定实际检测异常的时间段。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/detection-period) --- ### 8.

training_period

可选。训练期，指定用于模型学习的历史时间段。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/training-period) --- ### 9.

time_bucket

可选。时间分桶方式，决定每个检测周期的粒度。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/time-bucket) --- ### 10.

seasonality

可选。季节性参数，目前支持 `day_of_week`，用于处理如工作日/周末等周期性变化。 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/seasonality) --- ### 11.

detection_delay

可选。检测延迟，指定检测时延迟多长时间。 - `period`: hour | day | week | month - `count`: 整数，表示周期数 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/detection-delay) --- ### 12.

ignore_small_changes

可选。忽略小幅度变化的相关参数，包括： -

spike_failure_percent_threshold

-

drop_failure_percent_threshold

[详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/ignore_small_changes) --- ### 13.

anomaly_exclude_metrics

可选。SQL 表达式，排除特定指标不参与异常检测。 [详细说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/anomaly-exclude-metrics) --- #### 配置示例

yaml models:   - name: your_model     columns:       - name: your_column         tests:           - elementary.column_anomalies:               column_anomalies: [null_count, average]               dimensions: [country]               timestamp_column: created_at               where_expression: "status = 'active'"               anomaly_sensitivity: 2               anomaly_direction: spike               training_period:                 period: day                 count: 14               detection_period:                 period: day                 count: 2               time_bucket:                 period: day                 count: 1               seasonality: day_of_week               detection_delay:                 period: hour                 count: 1               ignore_small_changes:                 spike_failure_percent_threshold: 10                 drop_failure_percent_threshold: 10               anomaly_exclude_metrics: "metric_value < 10"

[官方详细配置说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/column-anomalies#test-configuration) --- 如有参数未在此列出，说明知识库中暂无相关信息。

elementary.column_anomalies

这个检测用于对单个字段（列）进行数据质量异常监控。它会根据你配置的监控指标（如 null 比例、最小值、最大值、平均值、长度、方差等），结合历史数据和时间分桶，自动检测该列在最新数据中的异常变化。例如，如果某一列的 null 值比例突然异常升高，或者数值分布出现异常波动，都会被检测出来并触发告警。 该检测可以灵活配置监控哪些指标、分桶方式、敏感度、过滤条件等，适用于需要对关键字段进行细粒度数据质量监控的场景。[官方文档说明](https://docs.elementary-data.com/data-tests/anomaly-detection-tests/column-anomalies)

elementary.column_anomalies

的

column_anomalies

参数可以配置以下监控项，每项的作用如下： 默认监控项（根据字段类型自动适用）： | 监控项 | 适用字段类型 | 作用说明 | |----------------------|-------------|----------------------------------| |

null_count

| 任意类型 | 检测该列的 null 值数量异常 | |

null_percent

| 任意类型 | 检测该列的 null 值比例异常 | |

min_length

| 字符串 | 检测字符串最小长度的异常 | |

max_length

| 字符串 | 检测字符串最大长度的异常 | |

average_length

| 字符串 | 检测字符串平均长度的异常 | |

missing_count

| 字符串 | 检测缺失（空字符串）数量异常 | |

missing_percent

| 字符串 | 检测缺失（空字符串）比例异常 | |

min

| 数值 | 检测最小值的异常 | |

max

| 数值 | 检测最大值的异常 | |

average

| 数值 | 检测平均值的异常 | |

zero_count

| 数值 | 检测零值数量的异常 | |

zero_percent

| 数值 | 检测零值比例的异常 | |

standard_deviation

| 数值 | 检测标准差的异常 | |

variance

| 数值 | 检测方差的异常 | 可选监控项（需手动配置）： | 监控项 | 适用字段类型 | 作用说明 | |--------|-------------|------------------| |

sum

| 数值 | 检测总和的异常 | 你可以在

column_anomalies

参数中选择上述任意一项或多项进行配置。例如：

yaml column_anomalies:   - null_count   - average   - sum

详细内容可参考[官方文档](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/column-anomalies)。

elementary.column_anomalies

的

dimensions

配置项用于**将异常检测按指定的一个或多个维度（字段或 SQL 表达式）进行分组**。也就是说，Elementary 会对每个维度组合分别计算并监控你配置的指标（如 null_rate、sum、average 等），从而可以发现某些特定分组下的异常，而不是只看整体。 举例： 如果你有一个收入（revenue）字段，并且你的数据中有

app_name

和

country

两个字段，你可以这样配置：

yaml columns:   - name: in_app_purchase_revenue     tests:       - elementary.column_anomalies:           column_anomalies:             - sum           dimensions:             - app_name             - country

这样，系统会分别对每个

app_name

和

country

的组合，监控

in_app_purchase_revenue

的 sum 是否出现异常。 作用总结： - 让你可以对数据的不同分组（如不同国家、不同产品等）分别做异常检测。 - 适合需要细粒度监控的场景，能发现整体数据下隐藏的局部异常。 官方文档原文说明如下： > 你可以为 column anomaly tests 添加

dimensions

参数。这样会为每个时间分桶和表的维度值分别计算列指标，从而可以在数据的特定分段中检测异常。[官方 changelog 说明](https://docs.elementary-data.com/changelog#column-anomalies-by-dimensions) > > 在配置中，`dimensions` 支持一个或多个字段或 SQL 表达式。[官方配置说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/dimensions) 如果你有更多具体的配置需求，可以参考上述链接中的详细示例。

是的，`elementary.column_anomalies` 的

dimensions

配置项**可以是 SQL 表达式**。官方文档明确说明，`dimensions` 支持填写一个或多个字段名，也可以是有效的 select SQL 表达式。这样可以实现更灵活的分组和细粒度的异常检测，例如可以用 case when、cast、函数等表达式作为分组依据。 文档原文示例：

yaml models:   - name: model_name     config:       elementary:         timestamp_column: updated_at     tests:       - elementary.dimension_anomalies:           dimensions:             - device_os             - device_browser

> “The test will group the results by a given column / columns / valid select sql expression. Under

dimensions

you can configure the group by expression.” [官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/dimensions) 虽然文档示例主要展示在

dimension_anomalies

上，但

column_anomalies

的参数说明与其一致，并且 changelog 也明确支持 column_anomalies 的

dimensions

参数为 SQL 表达式：[changelog 说明](https://docs.elementary-data.com/changelog#column-anomalies-by-dimensions)。 因此，你可以放心地在

dimensions

中使用 SQL 表达式。

当然可以，以下是一个在

elementary.column_anomalies

的

dimensions

配置项中使用 SQL 表达式的实际例子： 假设你有一个订单表，里面有

order_amount

字段，你想要按照“是否大额订单”这个逻辑分组，监控每组的订单金额异常。你可以这样写：

yaml columns:   - name: order_amount     tests:       - elementary.column_anomalies:           column_anomalies:             - sum           dimensions:             - "case when order_amount > 1000 then '大额' else '普通' end"

这样，Elementary 会分别对“大额订单”和“普通订单”两组，监控

order_amount

的 sum 是否出现异常。 官方文档明确说明，`dimensions` 支持 SQL 表达式（valid select sql expression），你可以用 case when、cast、函数等表达式作为分组依据[官方说明](https://docs.elementary-data.com/data-tests/anomaly-detection-configuration/dimensions)。 如果你需要更复杂的表达式，也可以直接写在

dimensions

列表中。例如：

yaml dimensions:   - "substr(user_email, strpos(user_email, '@') + 1)"  # 按邮箱域名分组

请注意，具体 SQL 表达式的写法要符合你的数据仓库（如 BigQuery、Snowflake 等）的 SQL 语法。