Summary  
Demonstrates how to use boolean expressions to filter and select subsets of data from collections based on conditional criteria.

General domain of usage  
Data analysis

Ohjelmoinnissa menestyminen vaatii jatkuvaa harjoittelua. Tässä tehtävässä sinun tulee myös muistaa edellisen luvun funktiot. Jos et ole varma edellisen luvun funktioista, tarkista vihjeet kerrataksesi ne.

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 TestExtraction(unittest.TestCase):
    def test_extract_columns(self):
        """
        1. Extract all rows from columns 'name' and 'hazardous' using .loc[].
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet"
        )
        ref = df.loc[:, ["name", "hazardous"]]

        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,
            "Columns 'name' and 'hazardous' are extracted correctly using .loc[].",
            "The extraction of 'name' and 'hazardous' columns is incorrect."
        )


class TestFiltering(unittest.TestCase):
    def test_filter_true_rows(self):
        """
        2. Filter rows where 'hazardous' is True.
        """
        import user_code
        ref = user_code.data_extracted.loc[user_code.data_extracted["hazardous"] == True]

        condition = (
            hasattr(user_code, "data_filtered")
            and isinstance(user_code.data_filtered, pd.DataFrame)
            and frames_equal_ignore_col_order(user_code.data_filtered, ref)
        )
        _dynamic_test(
            self,
            condition,
            "Rows where 'hazardous' == True are filtered correctly.",
            "Filtering by 'hazardous' == True is incorrect."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        3. Output the first five rows of data_filtered using .head().
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_filtered.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 five rows of 'data_filtered' correctly.",
            "The 'data_filtered' dataset is not printed correctly. Use print(data_filtered.head())."
        )


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


test_code.py

Tämä kurssi sisältää runsaasti hyödyllisiä funktioita tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja jopa ehtojen asettamiseen niille. Tämän jälkeen tulet tutuksi tietojen ryhmittelymenetelmien kanssa. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisella osiolla on oma tietoaineistonsa, joten kurssi on mukaansatempaava.

Tässä osiossa opit tuottamaan tiettyjä sarakkeita niiden nimien tai indeksien perusteella. Lisäksi tutustut tapoihin valita rivejä indeksien avulla.

Tässä opit, kuinka tietoja voidaan poimia tiettyjen ehtojen perusteella. Lisäksi opit yhdistämään ehtoja ja luomaan omia ehtoja.

Tässä osiossa syvennät osaamistasi erilaisten datan ehtojen asettamisessa. Opit tarkistamaan, onko datasi määritellyssä arvolistassa tai kahden arvon välillä. Opit myös löytämään suurimmat ja pienimmät arvot.

Tämä osio on yksi kurssin kiehtovimmista. Tässä opit ryhmittelemään dataa eri tavoin. Tämä auttaa sinua työskentelemään data-analyytikkona ja löytämään tietoa tietyistä dataryhmistä.

Tämä osio on yksi tärkeimmistä data-analyytikolle, koska jos data sisältää puuttuvia arvoja tai on väärässä muodossa, sen käsittely on mahdotonta. Tässä opit käsittelemään tällaisia sopimattomia arvoja.

Datan Valitseminen Ehdon Perusteella

Ratkaisu

Datan Valitseminen Ehdon Perusteella

Ratkaisu