Summary  
This chapter explains how to create a one-dimensional Pandas Series from a Python list using the pd.Series() constructor and printing its index-value structure.

General domain of usage  
Data analysis

Pandas bietet zwei primäre Datenstrukturen: `Series` und `DataFrame`. Die `Series` ist die einfachere der beiden und ähnelt einem **eindimensionalen** Array oder einer Liste. Ein `Series`-Objekt kann mit dem Konstruktor `pd.Series()` erstellt werden, indem eine **Liste** als Argument übergeben wird.

import pandas as pd
numbers = [17, 43, 74, 20]
series = pd.Series(numbers)

print(series)

Der Konstruktor `pd.Series()` wird verwendet, um ein `Series`-Objekt zu erstellen, das eine **Liste von Zahlen** enthält.


import unittest
import importlib
import pandas as pd


# 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):

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

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

    def test_numbers_series_is_pandas_series(self):
        import user_code

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

        _dynamic_test(
            self,
            condition,
            "The variable `numbers_series` is a `Series`.",
            failure_message
        )

    def test_states_series_is_pandas_series(self):
        import user_code

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

        _dynamic_test(
            self,
            condition,
            "The variable `states_series` is a `Series`.",
            failure_message
        )

    def test_numbers_series_has_correct_values(self):
        import user_code
        expected_value = pd.Series([2, 4, 8, 16])

        variable = 'numbers_series'
        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_states_series_has_correct_values(self):
        import user_code
        expected_value = pd.Series(["New York", "California", "Chicago", "Alaska"])

        variable = 'states_series'
        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 ist eine äußerst benutzerfreundliche Bibliothek für die Datenanalyse. Sie ist zudem darauf ausgelegt, große Datensätze mithilfe von Datenstrukturen wie DataFrame und Series zu verarbeiten. Dadurch ist sie ein unverzichtbares Werkzeug für Data Science. In diesem Leitfaden lernen Sie eine Vielzahl statistischer Funktionen kennen, darunter das Ermitteln von Korrelationen, Modalwerten, Mediane sowie Maximal- und Minimalwerten innerhalb eines Datensatzes. Sie erfahren außerdem, wie Sie fehlende Werte behandeln und bestimmte Werte manipulieren sowie entfernen können.

Tauchen Sie in die Grundlagen der pandas-Bibliothek ein. Erstellen und bearbeiten Sie Series und DataFrames, untersuchen Sie deren Struktur und gewinnen Sie Sicherheit bei der Durchführung grundlegender Datenoperationen.

Erlernen des Ladens und Verwaltens von Daten aus CSV- und TXT-Dateien. Praktische Erfahrung im Importieren von Datensätzen und deren Vorbereitung für die weitere Analyse mit Pandas-Werkzeugen.

Erlernen Sie das effektive Erkunden, Bereinigen und Zusammenfassen von Daten. Verständnis für den Umgang mit fehlenden Werten, das Extrahieren von Erkenntnissen und das Durchführen grundlegender statistischer Operationen mit pandas.

Serie

Lösung