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 rendre un pipeline résilient et transparent, et constituent la base de 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.
Cet exercice fait partie du cours
<cours>ETL et ELT en Python</cours>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'")