Summary  
This chapter covers using the `.iloc[]` attribute to perform index-based selection on a DataFrame, including accessing single elements, slicing rows and columns, and selecting subsets via lists of indices.

General domain of usage  
Data analysis with tabular datasets using pandas.

Aprenderemos algunas funciones nuevas que proporciona `iloc[]`. La más interesante es que podemos especificar los índices tanto de filas como de columnas. Este atributo es similar a `.loc[]`, pero el último índice del corte es exclusivo.

Observa el ejemplo y la salida correspondiente:

- `data.iloc[1, 2]` - extrae el elemento ubicado en la segunda fila y tercera columna del conjunto de datos. El primer índice corresponde al índice de la fila y el segundo al de la columna. De hecho, puedes omitir uno de ellos;
- `data.iloc[:, 3]` - extrae todos los valores de las filas de la **cuarta** columna `'IMDb-Rating'`;
- `data.iloc[3, :]` o `data.iloc[3]` - extrae la `4th` fila y todas las columnas correspondientes;
- `data.iloc[:2, 1:4]` - extrae las dos primeras filas y las columnas con los índices `1`, `2`, `3`;
- `data.iloc[[2,4],[1,3]]` - extrae las **filas** con los índices `2`, `4` y las columnas con los índices `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

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

Esta sección le enseñará cómo mostrar columnas específicas por sus títulos o índices. Además, se familiarizará con las formas en que puede seleccionar filas por sus índices.

Aquí aprenderá a extraer datos que cumplen condiciones específicas. Además, aprenderá a combinarlas e incluso a crear las suyas propias.

En esta sección, ampliará su conocimiento sobre el establecimiento de diferentes condiciones de datos. Aprenderá a verificar si sus datos se encuentran en una lista definida de valores o entre dos valores. También aprenderá a encontrar los valores más grandes y más pequeños.

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

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

Ampliación de la Funcionalidad del Atributo .iloc[]

Solución

Awesome!

Ampliación de la Funcionalidad del Atributo .iloc[]

Solución