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.

Aprendizaje de nuevas funcionalidades que ofrece `iloc[]`. La más destacada es la posibilidad de especificar índices tanto de filas como de columnas. Este atributo es similar a `.loc[]`, pero el último índice del corte es exclusivo.

Observación del ejemplo y la salida correspondiente:

- `data.iloc[1, 2]` - extracción del 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 índice de la columna. Es posible omitir uno de ellos;
- `data.iloc[:, 3]` - extracción de todos los valores de las filas de la **cuarta** columna `'IMDb-Rating'`;
- `data.iloc[3, :]` o `data.iloc[3]` - extracción de la `4th` fila y todas las columnas correspondientes;
- `data.iloc[:2, 1:4]` - extracción de las dos primeras filas y las columnas con los índices `1`, `2`, `3`;
- `data.iloc[[2,4],[1,3]]` - extracción de 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. 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.

Ampliando la Funcionalidad del Atributo .iloc[]

Solución