For at føle dig sikker og gennemføre dette kursus med succes, anbefaler vi stærkt, at du **gennemfører følgende kurser** på forhånd (klik blot på dem for at starte):

## Hvorfor bruge Pandas?

`pandas` er et Python-bibliotek designet til databehandling og analyse. At mestre dette bibliotek er gavnligt for **datascientists** og **dataanalytikere**. Med `pandas` kan du sortere, filtrere, ændre og visualisere dine data samt beregne nyttige statistikker, hvilket giver dig mulighed for at udføre en omfattende analyse.

For at benytte dette bibliotek, skal du **importere** det.
```python
# Importing `pandas`
import pandas
```

For nemheds skyld er det almindeligt at importere biblioteket ved hjælp af et alias.
```python
# Importing `pandas` with an alias
import pandas as pd
```

I dette tilfælde fungerer `pd` som et alias. Så når du fremover skal kalde funktioner fra dette bibliotek, vil du gøre det som følger:
```python
# Importing `pandas` with an alias
import pandas as pd

# Using a function from `pandas`
pd.function()
```

import unittest
import importlib
import sys


# 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):

    # Test if `pandas` is imported in user_code.py
    def test_pandas_is_imported(self):
        import user_code
        pandas_imported = "pandas" in sys.modules
        condition = pandas_imported
        failure_message = "Expected `pandas` to be imported, but it is not imported."

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is imported.",
            failure_message
        )

    # Test if `pandas` is correctly assigned to `pd`
    def test_pandas_imported_as_pd(self):
        import user_code
        actual_value = getattr(user_code, "pd", None)

        if actual_value is None:
            condition = False
            failure_message = "Expected `pandas` to be imported as `pd`, but `pd` is not declared."
        elif actual_value.__name__ != "pandas":
            condition = False
            failure_message = f"Expected `pandas` to be imported as `pd`, but got `{actual_value.__name__}` imported as `pd`."
        else:
            condition = True
            failure_message = ''

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is correctly imported as `pd`.",
            failure_message
        )


# Run the tests when executing the script
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.

Hvad Er Pandas?

Hvorfor bruge Pandas?

Løsning

Hvad Er Pandas?

Hvorfor bruge Pandas?

Løsning