Summary  
Breaking down complex conditional logic into individual named boolean variables and then combining them with logical operators to produce clearer, more maintainable code.

General domain of usage  
Data analysis

Hagamos que nuestro código sea más conveniente y legible. Por cierto, es fundamental que tu código sea comprensible para tus compañeros de trabajo.



In this video, you will learn how to make your pandas code more readable and maintainable by separating complex conditions into clear, named variables before applying them with the `.loc[]` function. Watch a step-by-step walkthrough of filtering a DataFrame using multiple conditions, and see how breaking down each condition improves clarity. You will also see best practices for combining logical operators, making your code easier to understand for both you and your coworkers. This approach will help you write professional, beautiful code when working with real-world data in pandas.

Para simplificar el código, podemos escribir la condición primero y luego colocarla en la función `.loc[]`; observa el ejemplo del capítulo anterior:
```python
# The first way
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet', index_col = 0)
data_extracted = data.loc[(data['est_diameter_min'] > 3.5) & (data['hazardous'] == True)]

# The second way
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet', index_col = 0)
condition_1 = data['est_diameter_min'] > 3.5
condition_2 = data['hazardous'] == True
data_extracted = data.loc[condition_1 & condition_2]
```

El primer y el segundo método conducen al mismo resultado, pero el segundo es mucho más fácil de entender porque puedes trabajar con dos condiciones por separado, y la expresión dentro de la función `.loc[]` ocupa menos espacio.

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)


def frames_equal_ignore_col_order(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ Ð¿Ð¾ÑÑÐ´ÐºÑ ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº."""
    if set(df1.columns) != set(df2.columns):
        return False
    common_cols = sorted(df1.columns)
    df1_sorted = df1[common_cols].reset_index(drop=True)
    df2_sorted = df2[common_cols].reset_index(drop=True)
    return df1_sorted.equals(df2_sorted)


class TestConditions(unittest.TestCase):
    def test_condition_1(self):
        """
        1. 'condition_1' selects rows where 'est_diameter_min' < 0.01.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["est_diameter_min"] < 0.01
        condition = hasattr(user_code, "condition_1") and user_code.condition_1.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_1' is defined correctly for est_diameter_min < 0.01.",
            "'condition_1' is incorrect. Check your comparison for est_diameter_min."
        )

    def test_condition_2(self):
        """
        2. 'condition_2' selects rows where 'absolute_magnitude' > 20.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["absolute_magnitude"] > 20
        condition = hasattr(user_code, "condition_2") and user_code.condition_2.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_2' is defined correctly for absolute_magnitude > 20.",
            "'condition_2' is incorrect. Check your comparison for absolute_magnitude."
        )

    def test_condition_3(self):
        """
        3. 'condition_3' selects rows where 'hazardous' == False.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["hazardous"] == False
        condition = hasattr(user_code, "condition_3") and user_code.condition_3.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_3' is defined correctly for hazardous == False.",
            "'condition_3' is incorrect. Check your equality condition for hazardous."
        )


class TestGeneralCondition(unittest.TestCase):
    def test_general_condition_result(self):
        """
        4. Apply the general condition: (condition_1 & condition_2) | condition_3.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df.loc[(df["est_diameter_min"] < 0.01) & (df["absolute_magnitude"] > 20) | (df["hazardous"] == False)]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and frames_equal_ignore_col_order(user_code.data_extracted, ref)
        )
        _dynamic_test(
            self,
            condition,
            "The general condition combining all three subconditions is implemented correctly.",
            "The general condition or filtering logic is incorrect. Check the use of '&' and '|'."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        5. Print the first few rows of the resulting DataFrame 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' DataFrame is not printed correctly. Use print(data_extracted.head())."
        )


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


test_code.py

Este curso contiene muchas funciones útiles para un futuro analista de datos. Aprenderás diferentes formas de extraer datos e incluso establecer condiciones sobre ellos. Después de esto, estarás familiarizado con los métodos de agrupación de datos. Además, aprenderás cómo preprocesar datos. Cada sección tiene su propio conjunto de datos, lo que hace que el curso sea atractivo.

Esta sección te enseñará cómo mostrar columnas específicas por sus títulos o índices. Además, te familiarizarás con las formas en que puedes seleccionar filas por índices.

Aquí aprenderás cómo extraer datos que cumplen condiciones específicas. Además, aprenderás cómo combinarlas e incluso crear tus propias condiciones.

En esta sección, ampliarás tus conocimientos sobre cómo establecer diferentes condiciones de datos. Aprenderás a verificar si tus datos se encuentran en una lista definida de valores o entre dos valores. También aprenderás a encontrar los valores más grandes y más pequeños.

Esta sección es una de las más fascinantes del curso. Aquí aprenderás cómo agrupar datos de diferentes maneras. Te ayudará a trabajar como analista de datos para descubrir información sobre grupos de datos específicos.

Esta sección es una de las más significativas para un analista de datos porque si los datos contienen valores faltantes o en un formato incorrecto, será imposible trabajar con ellos. Por lo tanto, aquí aprenderás cómo tratar con dichos valores inapropiados.

Embelleciendo Tu Código

Solución