Surveillance et alerte au sein d'un pipeline de données
Il est temps d'assembler le tout ! Vous l'avez peut-être deviné, mais l'utilisation de la gestion des erreurs à l'aide de try-except et la journalisation vont de pair. Ces deux pratiques sont essentielles à la résilience et à la transparence d'un pipeline et constituent les fondements de solutions de surveillance et d'alerte plus avancées.
pandas a été importé en tant que 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.
Cet exercice fait partie du cours
ETL et ELT en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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'")