Supervisión y alertas dentro de un pipeline de datos
¡Hora de juntarlo todo! Quizá ya lo imaginabas: manejar errores con try-except y usar logging van de la mano. Estas dos prácticas son esenciales para que un pipeline sea resistente y transparente, y son la base de soluciones más avanzadas de monitorización y alertas.
Se ha importado pandas como pd, y el módulo logging ya está cargado y configurado. El DataFrame raw_sales_data se ha extraído y está listo para transformarse.
Este ejercicio forma parte del curso
ETL and ELT con Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
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'")