Pandas tilbyder to primære datastrukturer: `Series` og `DataFrame`. `Series` er den simplere af de to og ligner en **en-dimensionel** array eller en liste. Du kan oprette et `Series` objekt ved at bruge `pd.Series()` konstruktøren ved at give en **liste** som argument.

import pandas as pd
numbers = [17, 43, 74, 20]
series = pd.Series(numbers)

print(series)

I dette eksempel bruger vi `pd.Series()` konstruktøren til at oprette et `Series` objekt, der indeholder en **liste af tal**.

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

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

    def test_numbers_series_is_pandas_series(self):
        import user_code

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

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

    def test_states_series_is_pandas_series(self):
        import user_code

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

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

    def test_numbers_series_has_correct_values(self):
        import user_code
        expected_value = pd.Series([2, 4, 8, 16])

        variable = 'numbers_series'
        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
        )

    def test_states_series_has_correct_values(self):
        import user_code
        expected_value = pd.Series(["New York", "California", "Chicago", "Alaska"])

        variable = 'states_series'
        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.

Serier

Løsning

Serier

Løsning