Überwachung und Alerts innerhalb einer Datenpipeline
Zeit, alles zusammenzuführen! Du hast es dir vielleicht schon gedacht: Fehlerbehandlung mit try-except und Logging gehören zusammen. Diese beiden Praktiken sind entscheidend, damit eine Pipeline robust und transparent ist, und sie bilden die Grundlage für fortgeschrittene Monitoring- und Alerting-Lösungen.
pandas wurde als pd importiert, und das logging-Modul ist für dich geladen und konfiguriert. Der DataFrame raw_sales_data wurde extrahiert und ist bereit für die Transformation.
Diese Übung ist Teil des Kurses
<Kurs>ETL und ELT in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
def transform(raw_data):
return raw_data.loc[raw_data["Total Price"] > 1000, :]
try:
# Attempt to transform DataFrame, log an info-level message
clean_sales_data = transform(raw_sales_data)
logging.____("Successfully filtered DataFrame by 'Total Price'")
except Exception:
# Log a warning-level message
____.____("Cannot filter DataFrame by 'Total Price'")