Summary  
This chapter explains how to combine multiple Boolean conditions with the & (and) and | (or) operators in code to filter rows of a data frame via .loc, stressing the use of parentheses for correct precedence and readability.

General domain of usage  
Data analysis

Watch this video for a complete walkthrough of handling multiple conditions in pandas. You'll see how to use the `&` and `|` operators with `.loc[]` to filter DataFrames based on several criteria, just like in the chapter examples. The video covers both 'and' and 'or' logic, demonstrates best practices, and guides you through practical tasks. By the end, you'll be able to filter pandas DataFrames with confidence using multiple conditions together.

A veces es necesario aplicar varias condiciones. Por ejemplo, se desea extraer datos sobre asteroides **peligrosos** con un **diámetro mínimo pequeño**. Pero, ¿cómo se escriben dos condiciones simultáneamente? Observa la tabla:

El ejemplo se incluyó para facilitar la comprensión de este tema. Este código extrae datos sobre asteroides grandes y peligrosos, donde el diámetro mínimo estimado es mayor que `3.5` kilómetros y `'hazardous'` es `True`.

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)]
print(data_extracted)

En la salida, puedes ver todas las filas que cumplen estas dos condiciones:
- `est_diameter_min` > 3.5;
- `hazardous` == True.

Observa el siguiente ejemplo con la declaración `or`. Este código extraerá datos sobre asteroides extremadamente pequeños o grandes con un diámetro estimado mínimo menor que `0.0005` kilómetros y un diámetro estimado máximo mayor que `20` kilómetros:

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'] < 0.0005) | (data['est_diameter_max'] > 20)]
print(data_extracted)

En la salida, puedes ver todas las filas que cumplen una de estas dos condiciones:
- `est_diameter_min` < 0.0005;
- `est_diameter_max` > 20.

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ÐºÐ° ÑÑÐ²Ð½Ð¾Ñ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 TestExtraction(unittest.TestCase):
    def test_filter_conditions(self):
        """
        1. Extract data where 'absolute_magnitude' >= 25 and 'hazardous' == False.
        """
        import user_code

        # ÐÐ°Ð²Ð°Ð½ÑÐ°Ð¶ÑÑÐ¼Ð¾ Ð¾ÑÐ¸Ð³ÑÐ½Ð°Ð»ÑÐ½Ð¸Ð¹ Ð´Ð°ÑÐ°ÑÑÐµÐ¹Ð¼
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0
        )

        # Ð¤Ð¾ÑÐ¼ÑÑÐ¼Ð¾ ÐµÑÐ°Ð»Ð¾Ð½
        ref = df.loc[(df["absolute_magnitude"] >= 25) & (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 DataFrame is filtered correctly for bright and not hazardous asteroids.",
            "Filtering conditions are incorrect. Check both conditions and the use of '&' inside .loc[]."
        )


class TestOutput(unittest.TestCase):
    def test_output_sample(self):
        """
        2. Output 5 random rows from the resulting DataFrame using .sample(5).
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_extracted.sample(5))
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The output displays 5 random rows from 'data_extracted' using .sample(5).",
            "The output is missing or incorrect. Use print(data_extracted.sample(5))."
        )


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.

Manejo de Varias Condiciones

Solución