Surveillance et alertes dans un pipeline de données
Il est temps de tout rassembler ! Vous vous en doutiez peut-être : la gestion des erreurs avec try-except et la journalisation vont de pair. Ces deux pratiques sont essentielles pour qu'un pipeline soit résilient et transparent, et elles servent de base à des solutions de surveillance et d'alerte plus avancées.
pandas a été importé sous l'alias pd, et le module logging a été chargé et configuré pour vous. Le DataFrame raw_sales_data a été extrait et est prêt à être transformé.
Cette activité fait partie du cours
ETL et ELT en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
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'")