Summary  
This chapter shows how to use a DataFrame’s rename() method to change one or more column names and then inspect the updated names via the columns attribute.  

General domain of usage  
Data analysis

I det foregående kapitel håndterede du forkerte værdier i en kolonne. Det er et glimrende tidspunkt at rette eventuelle ændringer. I dette tilfælde kan vi omdøbe kolonnen for at markere, at den er blevet ændret.

For at omdøbe en kolonne anvendes metoden `.rename()`. Se eksemplet, hvor vi omdøber kolonnen `'Survived'`, og derefter udskriver kolonnenavnene.

import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic4.csv', index_col = 0)
data.rename(columns = {'Survived': 'Survived_Passenger'}, inplace = True)
print(data.columns)

**Forklaring:**

```python
.rename(columns = {'Survived': 'Survived_Passenger'}, inplace = True)
```
- `.rename()` – en metode, der anvendes på datasættet for at omdøbe kolonnenavne;
- `columns = {'Survived': 'Survived_Passenger'}` – i de krøllede parenteser angives alle kolonner og deres nye navne. I dette tilfælde har vi kun omdøbt én kolonne, men du kan angive flere adskilt med komma.

`.columns` – et attribut, der viser kolonnenavnene. I dette tilfælde kan vi ikke længere se kolonnenavnet `'Survived'`.

import unittest
import pandas as pd
import io
import sys


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestRenameColumn(unittest.TestCase):
    def test_column_renamed(self):
        """
        1. Check that the column 'Fare' was renamed to 'Fare_fixed'.
        """
        import user_code

        url = "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic4.csv"
        df_ref = pd.read_csv(url, index_col=0)

        assert hasattr(user_code, "data"), "Variable 'data' not found."
        df_user = user_code.data

        # Check if 'Fare_fixed' present and 'Fare' removed
        condition = "Fare_fixed" in df_user.columns and "Fare" not in df_user.columns
        _dynamic_test(
            self,
            condition,
            "The column 'Fare' has been successfully renamed to 'Fare_fixed'.",
            "The column renaming is incorrect. Ensure you renamed 'Fare' to 'Fare_fixed' with inplace=True."
        )


class TestOutput(unittest.TestCase):
    def test_output_columns(self):
        """
        2. Check that all column names were printed.
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.columns)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = "Fare_fixed" in output_text
        _dynamic_test(
            self,
            condition,
            "The column names are printed correctly and include 'Fare_fixed'.",
            "The output is missing or incorrect. Ensure you print(data.columns)."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

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.

Omdøbning af Kolonnen

Løsning

Awesome!

Omdøbning af Kolonnen

Løsning