Summary  
This chapter explains how to access a DataFrame’s column names and data types using the `df.columns` and `df.dtypes` attributes.  

General domain of usage  
Data analysis

For at se alle kolonnenavne som en liste, skal vi bruge denne linje kode:
```python
column_names = df.columns
```

Vi kan også få en oversigt over alle de typer data, der er i dataframen. For dette skal vi bruge følgende attribut: `.dtypes`.
```python
data_types = df.dtypes
```

import unittest
import importlib
import pandas as pd


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

    def test_column_names_is_index(self):
        import user_code

        try:
            condition = isinstance(user_code.column_names, pd.Index)
            failure_message = f"Expected `column_names` to be an `Index`, but got `{type(user_code.column_names).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `column_names` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `column_names` is an `Index`.",
            failure_message
        )

    def test_column_names_is_correct(self):
        import user_code

        try:
            wine_data = pd.read_csv(
                'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
            expected_value = wine_data.columns
            condition = user_code.column_names.equals(expected_value)
            failure_message = f"Expected `column_names` to be `{expected_value}`, but got `{user_code.column_names}`."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'column_names', None):
                failure_message = "The `column_names` variable is not declared."
            else:
                failure_message = f"`column_names` is not an `Index`."

        _dynamic_test(
            self,
            condition,
            f"`column_names` contains the correct values.",
            failure_message
        )

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

    def test_data_types_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.data_types, pd.Series)
            failure_message = f"Expected `data_types` to be a `Series`, but got `{type(user_code.data_types).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `data_types` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `data_types` is a `Series`.",
            failure_message
        )

    def test_data_types_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_value = wine_data.dtypes
        
        variable = 'data_types'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`first_row` contains the correct values.",
            failure_message
        )


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.

Kolonnenavne og Datatyper

Løsning

Awesome!

Kolonnenavne og Datatyper

Løsning

Awesome!