import unittest
import importlib
import pandas as pd


# Helper function to dynamically generate test names and assertions
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_colors_variable_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'colors'),
            "The `colors` variable is declared.",
            "Expected `colors` variable to be declared."
        )

    def test_colors_is_series(self):
        import user_code
        try:
            actual_value = user_code.colors
            condition = isinstance(actual_value, pd.Series)
            failure_message = f"Expected `colors` to be a `Series`, but got `{type(user_code.colors).__name__}`."

        except AttributeError:
            condition = False
            failure_message = "The `colors` variable is not declared."

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

    def test_colors_contains_correct_data(self):
        import user_code
        expected_value = pd.Series(['Red', 'Black', 'Gray', 'Yellow', 'White', 'Green'])

        variable = 'colors'
        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"`{variable}` 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.

Udfordring: Oprette en Series

Løsning

Awesome!

Udfordring: Oprette en Series

Løsning

Awesome!