Summary  
This chapter explains how to inspect a DataFrame’s structure and metadata by using the `info()` method to view column names, types, and dimensions, and the `len()` function to determine its row count.

General domain of usage  
Data analysis

I `pandas` er der en praktisk metode ved navn `info()`, der giver grundlæggende information om et datasæt.

import pandas as pd
# It's a dataframe
df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/example.csv')
info = df.info()
print(info)

Denne metode viser antallet af rækker og kolonner i DataFrame, samt hver kolonnes navn og datatype. For eksempel indeholder `df` **20** rækker og **5** kolonner.

For at bestemme længden af DataFrame, kan vi bruge `len()` funktionen, som demonstreret i eksemplet nedenfor:
```python
length = len(df)
```

import unittest
import importlib
import pandas as pd
from io import StringIO
import re


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


class TestUserCode(unittest.TestCase):

    def test_information_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'information'),
            "The `information` variable is declared.",
            "Expected `information` to be declared."
        )

    def test_info_method_is_used(self):
        with open('user_code.py', 'r') as file:
            user_code_source = file.read()

        _dynamic_test(
            self,
            re.search(r'\.info\s*\(', user_code_source),
            "The `info()` method is used.",
            "Expected the `info()` method to be used."
        )


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

test_main.py

Pandas er et yderst brugervenligt bibliotek til dataanalyse. Det er også designet til at håndtere store datasæt ved hjælp af datastrukturer som DataFrame og Series. Dette gør det til et uvurderligt værktøj for Data Science. I denne guide vil du blive bekendt med en række statistiske funktioner, herunder hvordan man finder korrelationer, typetal, medianer samt maksimum- og minimumværdier inden for et datasæt. Du vil også lære, hvordan man håndterer manglende værdier og manipulerer specifikke værdier, samt hvordan man fjerner dem.

I denne sektion vil vi udforske grundlæggende elementer i Series- og DataFrame-strukturer. Du vil også lære om forskellene mellem disse to typer strukturer.

Data kan hentes i forskellige formater, såsom CSV, JSON, SQL, HTML og mere. Med Pandas er du ikke begrænset til et enkelt format — du kan arbejde med data på tværs af en lang række filtyper. I dette kapitel vil vi specifikt fokusere på CSV- og TXT-formaterne.

Her vil du lære, hvordan man behandler rådata ved at fjerne overflødig information og håndtere null-værdier i et datasæt.

Udforske Datasættet

Løsning

Awesome!

Udforske Datasættet

Løsning

Awesome!