Summary  
This chapter demonstrates how to inspect the data type of a DataFrame column using the `.dtypes` attribute.  

General domain of usage  
data analysis

Hvis du støder på kolonnen `'Fare'`, er tallene her adskilt med `-`-tegnet. Det ser mærkeligt ud, ikke? Vi plejer at bruge `.` som separator, og Python kan kun forstå tal, der er adskilt med punktummer. Lad os kontrollere typen af denne kolonne. Dette kan gøres ved at bruge attributten `.dtypes`. Se eksemplet med kolonnen `'Age'`.

import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic3.csv', index_col = 0)
print(data['Age'].dtypes)

**Forklaring:**

Syntaksen for `.dtypes` er enkel; du anvender den blot på kolonnen eller på hele datasættet. I dette tilfælde er typen **float64**.

Dette kursus indeholder mange nyttige funktioner for en kommende dataanalytiker. Du vil lære forskellige metoder til at udtrække data og endda opstille betingelser for dem. Derefter vil du blive fortrolig med metoder til gruppering af data. Du vil også lære, hvordan man forbehandler data. Hvert afsnit har sit eget datasæt, hvilket gør kurset engagerende.

Dette afsnit vil lære dig, hvordan du udtrækker specifikke kolonner ved hjælp af deres titler eller indekser. Du vil også blive introduceret til metoder til at udvælge rækker baseret på indekser.

Her vil du lære, hvordan du udtrækker data med specifikke betingelser. Du vil også lære, hvordan du kombinerer dem og endda opretter dine egne.

I dette afsnit udvider du din viden om at opstille forskellige datakriterier. Du lærer at kontrollere, om dine data er i en defineret liste af værdier eller mellem to værdier. Du lærer også, hvordan du finder de største og mindste værdier.

Dette afsnit er et af de mest fascinerende i kurset. Her lærer du, hvordan du kan gruppere data på forskellige måder. Det vil hjælpe dig som dataanalytiker med at finde information om specifikke datagrupper.

Dette afsnit er et af de mest betydningsfulde for en dataanalytiker, da det vil være umuligt at arbejde med data, hvis de indeholder manglende værdier eller er i et forkert format. Derfor vil du her lære, hvordan du håndterer sådanne uhensigtsmæssige værdier.

Kontrol af Kolonnens Datatype

Awesome!

Kontrol af Kolonnens Datatype