Forestil dig at arbejde med et enormt datasæt, der indeholder millioner af poster, hvor du hurtigt skal udtrække kun de rækker, hvor værdien i en bestemt kolonne overstiger en given grænse. Ved hjælp af **polars**-biblioteket kan denne type filtrering udføres effektivt og i stor skala. Dette er et almindeligt krav i **data science-arbejdsgange**, især når analysen skal fokuseres på kun en delmængde af dataene, der opfylder bestemte kriterier.

import unittest
import user_code
import ast
import re   
import importlib
import polars as pl

class TestTask(unittest.TestCase):
    def test_filter_basic(self):
        importlib.reload(user_code)
        df = pl.DataFrame({
            "customer_id": [1, 2, 3, 4],
            "amount": [10, 20, 30, 40]
        })
        result = user_code.filter_above_threshold(df, "amount", 20)
        expected = pl.DataFrame({"customer_id": [3, 4], "amount": [30, 40]})
        
        # FIX: Changed .frame_equal to .equals
        _dynamic_test(
            self,
            isinstance(result, pl.DataFrame) and result.equals(expected),
            "Returns rows where column value is greater than threshold.",
            f"Expected filtered DataFrame {expected}, got {result}.",
        )

    def test_does_not_modify_original(self):
        importlib.reload(user_code)
        df = pl.DataFrame({
            "a": [1, 2, 3, 4],
            "b": [10, 20, 30, 40]
        })
        df_copy = df.clone()
        _ = user_code.filter_above_threshold(df, "b", 25)
        
        # FIX: Changed .frame_equal to .equals
        _dynamic_test(
            self,
            df.equals(df_copy),
            "Original DataFrame is not modified.",
            "Original DataFrame was modified in-place.",
        )

    def test_empty_result(self):
        importlib.reload(user_code)
        df = pl.DataFrame({
            "x": [1, 2, 3],
            "y": [4, 5, 6]
        })
        result = user_code.filter_above_threshold(df, "x", 10)
        _dynamic_test(
            self,
            isinstance(result, pl.DataFrame) and result.height == 0,
            "Returns empty DataFrame if no rows match.",
            f"Expected empty DataFrame, got {result}.",
        )

    def test_any_numeric_column(self):
        importlib.reload(user_code)
        df = pl.DataFrame({
            "foo": [0.1, 0.2, 0.3, 0.4],
            "bar": [5, 10, 15, 20]
        })
        result = user_code.filter_above_threshold(df, "foo", 0.25)
        expected = pl.DataFrame({"foo": [0.3, 0.4], "bar": [15, 20]})
        
        # FIX: Changed .frame_equal to .equals
        _dynamic_test(
            self,
            isinstance(result, pl.DataFrame) and result.equals(expected),
            "Works with any valid numeric column.",
            f"Expected {expected}, got {result}.",
        )

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)

if __name__ == "__main__":
    unittest.main()

test_main.py

Et praktisk, hands-on kursus for kommende data scientists, der er klar til at håndtere virkelige udfordringer med store datamængder. Lær at behandle, udvælge og analysere massive datasæt effektivt ved hjælp af Python og essentielle biblioteker. Hver sektion indeholder engagerende video-forklaringer og interaktive udfordringer, der opbygger din ekspertise.

Lær grundlæggende strategier til håndtering af datasæt, der er for store til at passe i hukommelsen, herunder chunking- og streamingteknikker.

Undersøg metoder til at balancere og udtage prøver fra store datasæt, herunder oversampling og undersampling.

Lær at bruge polars-biblioteket til hurtig, hukommelseseffektiv databehandling.

Challenge: Filtrering med Polars

Løsning