Summary  
This chapter shows how to use a DataFrame’s rename() method to change one or more column names and then inspect the updated names via the columns attribute.  

General domain of usage  
Data analysis

Edellisessä luvussa käsittelit virheellisiä arvoja sarakkeessa. Nyt on erinomainen hetki tehdä tarvittavat muutokset. Tässä tapauksessa voimme nimetä sarakkeen uudelleen osoittaaksemme, että sitä on muokattu.

Sarakkeen uudelleennimeämiseen käytetään `.rename()`-metodia. Tarkastellaan esimerkkiä, jossa nimeämme sarakkeen `'Survived'` uudelleen ja tulostamme sarakkeiden nimet.

import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic4.csv', index_col = 0)
data.rename(columns = {'Survived': 'Survived_Passenger'}, inplace = True)
print(data.columns)

**Selitys:**

```python
.rename(columns = {'Survived': 'Survived_Passenger'}, inplace = True)
```
- `.rename()` – metodi, jota käytetään tietojoukon sarakkeiden nimien muuttamiseen;
- `columns = {'Survived': 'Survived_Passenger'}` – aaltosulkeissa määritellään kaikki sarakkeet ja niiden uudet nimet. Tässä tapauksessa uudelleennimettiin vain yksi sarake, mutta tähän voi lisätä useita sarakkeita pilkulla erotettuna.

`.columns` – attribuutti, joka palauttaa sarakkeiden nimet. Tässä tapauksessa sarakkeen nimeä `'Survived'` ei enää näy.

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 TestRenameColumn(unittest.TestCase):
    def test_column_renamed(self):
        """
        1. Check that the column 'Fare' was renamed to 'Fare_fixed'.
        """
        import user_code

        url = "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic4.csv"
        df_ref = pd.read_csv(url, index_col=0)

        assert hasattr(user_code, "data"), "Variable 'data' not found."
        df_user = user_code.data

        # Check if 'Fare_fixed' present and 'Fare' removed
        condition = "Fare_fixed" in df_user.columns and "Fare" not in df_user.columns
        _dynamic_test(
            self,
            condition,
            "The column 'Fare' has been successfully renamed to 'Fare_fixed'.",
            "The column renaming is incorrect. Ensure you renamed 'Fare' to 'Fare_fixed' with inplace=True."
        )


class TestOutput(unittest.TestCase):
    def test_output_columns(self):
        """
        2. Check that all column names were printed.
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.columns)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = "Fare_fixed" in output_text
        _dynamic_test(
            self,
            condition,
            "The column names are printed correctly and include 'Fare_fixed'.",
            "The output is missing or incorrect. Ensure you print(data.columns)."
        )


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.

Sarakkeen Uudelleennimeäminen

Ratkaisu