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, katso vihjeitä 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 toimintoja tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja voit jopa asettaa niille ehtoja. Tämän jälkeen tulet tutuksi tietojen ryhmittelymenetelmien kanssa. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisessa osiossa on oma tietoaineistonsa, joten kurssi on mukaansatempaava.

Tässä osiossa opit, kuinka voit tulostaa tiettyjä sarakkeita niiden nimien tai indeksien perusteella. Lisäksi tutustut tapoihin, joilla voit valita rivejä indeksien avulla.

Tässä opit, kuinka voit poimia dataa, jolla on tietyt ehdot. Opit myös, kuinka yhdistää näitä ehtoja ja jopa luoda omia ehtoja.

Tässä osiossa laajennat tietämystäsi erilaisten datan ehtojen asettamisesta. 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 tavoilla. 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 kanssa työskentely on mahdotonta. Tässä opit käsittelemään tällaisia sopimattomia arvoja.

Datan Valitseminen Ehdon Perusteella

Ratkaisu