Summary
This chapter covers integer-based indexing to select and slice specific rows and columns in a tabular data structure, including combining slices and index lists for flexible data extraction.

General domain of usage
Sales data analysis

This video guides you through the advanced features of the `.iloc[]` attribute in pandas. You will see how to select specific rows and columns simultaneously using integer-based indexing. The video demonstrates how `.iloc[]` allows you to specify both row and column indices, use slicing (with the last index being exclusive), and combine different selection patterns. Real-world examples show how to extract subsets of data, making your data analysis more flexible and powerful. Watch to gain a clear visual understanding of these techniques and how to apply them in your own projects.

Wir lernen einige neue Funktionen kennen, die `iloc[]` bietet. Die interessanteste ist, dass wir Indizes sowohl für Zeilen als auch für Spalten angeben können. Dieses Attribut ähnelt `.loc[]`, aber der letzte Index beim Slicing ist exklusiv.

Sieh dir das Beispiel und die entsprechende Ausgabe an:

- `data.iloc[1, 2]` – extrahiert das Element, das sich in der zweiten Zeile und dritten Spalte des Datensatzes befindet. Der erste Index entspricht dem Zeilenindex, der zweite dem Spaltenindex. Es ist möglich, einen der beiden zu überspringen;
- `data.iloc[:, 3]` – extrahiert alle Werte aus den Zeilen der **vierten** Spalte `'IMDb-Rating'`;
- `data.iloc[3, :]` oder `data.iloc[3]` – extrahiert die `4th` Zeile und alle zugehörigen Spalten;
- `data.iloc[:2, 1:4]` – extrahiert die ersten zwei Zeilen und die Spalten mit den Indizes `1`, `2`, `3`;
- `data.iloc[[2,4],[1,3]]` – extrahiert die **Zeilen** mit den Indizes `2`,`4` und die Spalten mit den Indizes `1`, `3`.

import unittest
import pandas as pd
import io
import sys


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 TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        1. Read the CSV file into 'data' DataFrame.
        """
        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):
        """
        2. Extract first 50 rows and columns with indices 1 and 4 using iloc.
        """
        import user_code
        df = user_code.data
        ref = df.iloc[:50, [1, 4]]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and user_code.data_extracted.equals(ref)
        )
        _dynamic_test(
            self,
            condition,
            "The variable 'data_extracted' contains the correct rows and columns slice.",
            "The 'data_extracted' slice is incorrect. Check row and column indices."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        3. Print the first few rows of data_extracted using .head().
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_extracted.head())
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The output displays the first few rows of 'data_extracted' using .head().",
            "The 'data_extracted' variable is not printed correctly using .head()."
        )


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.

Erweiterung der Funktionalität des .iloc[]-Attributs

Lösung