Summary  
This chapter covers how to use pandas’ label-based .loc indexer to select specific rows and columns in a DataFrame, including single labels, lists of labels, slicing, and combined row-and-column selection.  

General domain of usage  
Data wrangling workflows

Watch this video for a clear walkthrough of how to select specific rows and columns in pandas using the .loc[] attribute. You'll see practical demonstrations of slicing DataFrames by row indices and column names, reinforcing the concepts covered in this chapter. This visual guide will help you confidently apply .loc[] to extract exactly the data you need.

Nachdem Sie die vorherigen Kapitel bearbeitet haben, ist jetzt der richtige Zeitpunkt, Ihr Wissen zu kombinieren. Sie können sowohl Zeilen als auch Spalten angeben; dazu müssen Sie lediglich mit dem Attribut `.loc[]` vertraut sein.

Diese Funktion ermöglicht verschiedene Slicing-Operationen, aber vorerst fassen wir das Wissen aus den vorherigen Kapiteln zusammen.

Wie üblich, betrachten Sie das Beispiel und anschließend die Ausgabe.

- `data.loc[2:5, ['Director', 'ReleaseYear']]` – gibt die Zeilen mit den Indizes `2`, `3`, `4`, `5` aus den Spalten `0` und `'Director'` aus (beachten Sie, dass die Indizes bei `'ReleaseYear'` beginnen); `.loc[]` schließt den letzten in `[]` angegebenen Index ein;
- `data.loc[:5, ['Director', 'ReleaseYear']]` – gibt die Zeilen mit den Indizes `0`, `1`, `2`, `3`, `4`, `5` aus den Spalten `'Director'` und `'ReleaseYear'` aus;
- `data.loc[997:, ['Director', 'ReleaseYear']]` – gibt die Zeilen mit den Indizes `997`, `998`, `999` (`999` ist der Index der letzten Zeile) aus den Spalten `'Director'` und `'ReleaseYear'` aus;
- `data.loc[:, ['Director', 'ReleaseYear']]` oder  `data[['Director', 'ReleaseYear']]` – gibt alle Zeilen aus den Spalten `'Director'` und `'ReleaseYear'` aus.

import unittest
import pandas as pd

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestPandasImport(unittest.TestCase):
    def test_import_pandas_as_pd(self):
        """
        1. Import the pandas library with the pd alias.
        """
        import user_code
        condition = "pd" in user_code.__dict__ and user_code.pd is pd
        _dynamic_test(
            self,
            condition,
            "The pandas library is imported correctly with the alias 'pd'.",
            "Pandas is not imported correctly. Use 'import pandas as pd'."
        )


class TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        2. Read the CSV file.
        """
        import user_code
        condition = hasattr(user_code, "data") and isinstance(user_code.data, pd.DataFrame)
        _dynamic_test(
            self,
            condition,
            "The CSV file is read correctly into the 'data' DataFrame.",
            "The CSV file is not read correctly or not assigned to 'data'."
        )


class TestDataExtraction(unittest.TestCase):
    def test_data_extracted_slice(self):
        """
        3. Assign to data_extracted variable correct slice.
        """
        import user_code
        df_user = user_code.data_extracted
        ref = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/IMDb_Data_final.csv"
        ).loc[15:85, ["Title", "Stars", "Category"]]
        condition = (
            isinstance(df_user, pd.DataFrame)
            and list(df_user.columns) == ["Title", "Stars", "Category"]
            and df_user.equals(ref)
        )
        _dynamic_test(
            self,
            condition,
            "The variable 'data_extracted' contains the correct rows and columns.",
            "The slice for 'data_extracted' is incorrect. Check the indices and column order."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        4. Output the data_extracted variable.
        """
        import user_code
        import io
        import sys

        captured_output = io.StringIO()
        sys.stdout = captured_output
        # re-run print part
        if hasattr(user_code, "data_extracted"):
            print(user_code.data_extracted)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue()
        condition = len(output_text.strip()) > 0
        _dynamic_test(
            self,
            condition,
            "The 'data_extracted' variable is printed as output.",
            "The 'data_extracted' variable is not printed. Use print(data_extracted)."
        )


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


test_code.py

Dieser Kurs enthält viele nützliche Funktionen für angehende Data Analysts. Sie lernen verschiedene Methoden zur Extraktion von Daten kennen und können sogar Bedingungen darauf anwenden. Anschließend werden Sie mit Methoden zur Gruppierung von Daten vertraut gemacht. Außerdem lernen Sie, wie man Daten vorverarbeitet. Jeder Abschnitt verfügt über einen eigenen Datensatz, sodass der Kurs spannend bleibt.

In diesem Abschnitt lernen Sie, wie Sie bestimmte Spalten anhand ihrer Titel oder Indizes ausgeben. Außerdem machen Sie sich mit den Methoden vertraut, mit denen Sie Zeilen anhand von Indizes auswählen können.

Hier lernen Sie, wie man Daten extrahiert, die bestimmte Bedingungen erfüllen. Außerdem lernen Sie, wie man diese kombiniert und sogar eigene Bedingungen erstellt.

In diesem Abschnitt erweitern Sie Ihr Wissen über das Festlegen verschiedener Datenbedingungen. Sie lernen, zu überprüfen, ob Ihre Daten in einer definierten Werteliste oder zwischen zwei Werten liegen. Sie erfahren außerdem, wie Sie die größten und kleinsten Werte finden.

Dieser Abschnitt ist einer der faszinierendsten des Kurses. Hier lernen Sie, wie Sie Daten auf verschiedene Arten gruppieren können. Dies wird Ihnen als Data Analyst helfen, Informationen über bestimmte Datengruppen zu ermitteln.

Dieser Abschnitt ist einer der wichtigsten für Datenanalysten, da es unmöglich ist, mit Daten zu arbeiten, wenn sie fehlende Werte oder ein falsches Format enthalten. Daher lernen Sie hier, wie man mit solchen ungeeigneten Werten umgeht.

Auswahl Bestimmter Zeilen und Spalten

Lösung