Архитектура класса для валидации и логирования данных

Задача: есть несколько интеграций у которых нужно провалидировать и конвертировать все передаваемые атрибуты. Также необходимо логирование в БД всех данных, которые не прошли валидацию. Все интеграции реализованы через pandas и валидируются df.

На текущий момент реализован класс, в котором и происходит вся валидация, конвертация и формирование JSON для логирования.

ValidateData = ValidateDFData(df, ListIntAttr=['subj_giving', 'subj_accept', 'opf_giving', 'opf_accept'], 
                                                    ListDateAttr=['reg_date'], 
                                                    DictAttr=MapAttrWithDict, 
                                                    ColumnNameFromFile=OldAttributeName, 
                                                    ColumnNameForDB=AttributeName,  
                                                    Connection=connection)  

то есть передается df, и списки атрибутов которые необходимо провалидировать.

Далее по-отдельности запускаются методы валидации

ValidateData.ConvertAndValidateDateData()
ValidateData.ConvertAndValidateIntData()

В этих же методах формируются JSON с данными об ошибках.

Ну и после всех манипуляций с данными внутри этого класса, забирается отформатированный df и JSON со всеми данными об ошибках

df = ValidateData.df
BrackData = ValidateData.ListBrackJSON

И что-то меня смущает во всем этом.

Как правильно оформить данный класс?