Logowanie w potoku danych
W tym ćwiczeniu wrócimy do funkcji napisanej w poprzednim filmie i przećwiczymy dodawanie logowania. Ułatwi to diagnozowanie błędów oraz wprowadzanie zmian w logice działania funkcji!
pandas został zaimportowany jako pd. Ponadto zaimportowano moduł logging, a domyślny poziom logowania ustawiono na "debug".
To ćwiczenie jest częścią kursu
ETL i ELT w Pythonie
Instrukcje do ćwiczenia
- Utwórz log na poziomie info po wykonaniu transformacji, przekazując ciąg znaków:
"Transformed 'Order Date' column to type 'datetime'." - Zapisz
.shaperamki danych na poziomie debug przed filtrowaniem i po filtrowaniu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
def transform(raw_data):
raw_data["Order Date"] = pd.to_datetime(raw_data["Order Date"], format="%m/%d/%y %H:%M")
clean_data = raw_data.loc[raw_data["Price Each"] < 10, :]
# Create an info log regarding transformation
logging.____("Transformed 'Order Date' column to type 'datetime'.")
# Create debug-level logs for the DataFrame before and after filtering
____(f"Shape of the DataFrame before filtering: {raw_data.shape}")
____(f"Shape of the DataFrame after filtering: {clean_data.shape}")
return clean_data
clean_sales_data = transform(raw_sales_data)