Summary  
This chapter covers using the `.iloc[]` attribute to perform index-based selection on a DataFrame, including accessing single elements, slicing rows and columns, and selecting subsets via lists of indices.

General domain of usage  
Data analysis with tabular datasets using pandas.

Vi vil lære nogle nye funktioner, som `iloc[]` tilbyder. Den mest interessante er, at vi kan angive indeks for både rækker og kolonner. Denne attribut ligner `.loc[]`, men det sidste indeks i udskæringen er eksklusivt.

Se på eksemplet og det relevante output:

- `data.iloc[1, 2]` – udtrækker elementet placeret i datasættets anden række og tredje kolonne. Det første indeks svarer til rækkeindekset, og det andet til kolonneindekset. Du kan faktisk udelade en af dem;
- `data.iloc[:, 3]` – udtrækker alle værdier fra rækkerne i **fjerde** kolonne `'IMDb-Rating'`;
- `data.iloc[3, :]` eller `data.iloc[3]` – udtrækker den `4th` række og alle relevante kolonner;
- `data.iloc[:2, 1:4]` – udtrækker de første to rækker og kolonner med indeks `1`, `2`, `3`;
- `data.iloc[[2,4],[1,3]]` – udtrækker **rækkerne** med indeks `2`,`4` og kolonner med indeks `1`, `3`.

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 TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        1. Read the CSV file into 'data' DataFrame.
        """
        import user_code
        condition = hasattr(user_code, "data") and isinstance(user_code.data, pd.DataFrame)
        _dynamic_test(
            self,
            condition,
            "The CSV file is read correctly into the 'data' DataFrame.",
            "The CSV file is not read correctly or not assigned to 'data'."
        )


class TestDataExtraction(unittest.TestCase):
    def test_data_extracted_slice(self):
        """
        2. Extract first 50 rows and columns with indices 1 and 4 using iloc.
        """
        import user_code
        df = user_code.data
        ref = df.iloc[:50, [1, 4]]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and user_code.data_extracted.equals(ref)
        )
        _dynamic_test(
            self,
            condition,
            "The variable 'data_extracted' contains the correct rows and columns slice.",
            "The 'data_extracted' slice is incorrect. Check row and column indices."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        3. Print the first few rows of data_extracted using .head().
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_extracted.head())
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The output displays the first few rows of 'data_extracted' using .head().",
            "The 'data_extracted' variable is not printed correctly using .head()."
        )


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.

Udvidelse af Funktionaliteten af .iloc[]-Attributten

Løsning

Awesome!

Udvidelse af Funktionaliteten af .iloc[]-Attributten

Løsning