Du kan også bruge **negativ indeksering** til at få adgang til rækker i DataFrame. Negativ indeksering starter fra slutningen af DataFrame: indeks `-1` peger på den sidste række, `-2` på den næstsidste, og så videre.

For at få adgang til den syvende række (som refererer til Latvia), kan du bruge enten indeks **6** eller **-1**.

import pandas

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pandas.DataFrame(countries_data)
# Accessing to the seventh row using negative indexing
print(countries.iloc[-1])

Når du kører ovenstående kode, returneres rækken, der er fremhævet på billedet nedenfor:

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_audi_A1_2017_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A1_2017'),
            "The variable `audi_A1_2017` is declared.",
            "Expected `audi_A1_2017` to be declared."
        )

    def test_audi_A1_2017_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A1_2017, pd.Series)
            failure_message = f"Expected `audi_A1_2017` to be a `Series`, but got `{type(user_code.audi_A1_2017).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A1_2017` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A1_2017` is a `Series`.",
            failure_message
        )

    def test_audi_A1_2017_is_correct(self):
        import user_code

        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[0]

        variable = 'audi_A1_2017'
        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_audi_A1_2016_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A1_2016'),
            "The variable `audi_A1_2016` is declared.",
            "Expected `audi_A1_2016` to be declared."
        )

    def test_audi_A1_2016_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A1_2016, pd.Series)
            failure_message = f"Expected `audi_A1_2016` to be a `Series`, but got `{type(user_code.audi_A1_2016).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A1_2016` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A1_2016` is a `Series`.",
            failure_message
        )

    def test_audi_A1_2016_is_correct(self):
        import user_code
        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[-1]

        variable = 'audi_A1_2016'
        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_audi_A3_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A3'),
            "The variable `audi_A3` is declared.",
            "Expected `audi_A3` to be declared."
        )

    def test_audi_A3_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A3, pd.Series)
            failure_message = f"Expected `audi_A3` to be a `Series`, but got `{type(user_code.audi_A3).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A3` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A3` is a `Series`.",
            failure_message
        )

    def test_audi_A3_is_correct(self):
        import user_code

        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[3]

        variable = 'audi_A3'
        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 inden for Data Science. I denne guide bliver du introduceret til en række statistiske funktioner, herunder hvordan man finder korrelationer, typetal, medianer samt maksimum- og minimumværdier i et datasæt. Du lærer også, hvordan man håndterer manglende værdier og manipulerer specifikke værdier, samt hvordan man fjerner dem.

Dyk ned i grundlæggende elementer i pandas-biblioteket. Opret og manipulér Series og DataFrames, udforsk deres struktur, og opbyg fortrolighed med at udføre essentielle dataoperationer.

Bliv fortrolig med at indlæse og håndtere data fra CSV- og TXT-filer. Opnå praktisk erfaring med import af datasæt og forberedelse til videre analyse ved hjælp af pandas-værktøjer.

Lær at udforske, rense og opsummere data effektivt. Forstå hvordan man håndterer manglende værdier, udtrækker indsigter og udfører grundlæggende statistiske operationer med pandas.

Challenge: Brug af iloc[]

Challenge: Brug af iloc[]

Løsning