Summary  
This chapter explains how to transform tabular data into a pivot table by grouping records on one or more fields and applying aggregation functions to compute summary metrics. It covers the concept of multi-dimensional data summarization and restructuring.

General domain of usage  
Data analysis

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(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ Ð´Ð²Ð¾Ñ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ ÑÐ¾ÑÑÑÐ²Ð°Ð½Ð½Ñ ÑÐ½Ð´ÐµÐºÑÑÐ²."""
    try:
        df1_sorted = df1.sort_index()
        df2_sorted = df2.sort_index()
        return df1_sorted.equals(df2_sorted)
    except Exception:
        return False


class TestPivotTable(unittest.TestCase):
    def test_pivot_table_result(self):
        """
        Check if pivot table correctly groups by Airline and AirportFrom,
        counts Delay values, and finds min and max of Length.
        """
        import user_code

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

        # Expected result
        ref = pd.pivot_table(
            df,
            index=["Airline", "AirportFrom"],
            values=["Delay", "Length"],
            aggfunc={"Length": ["min", "max"], "Delay": "count"},
        )

        # Try to find result variable
        user_result = None
        if hasattr(user_code, "data"):
            candidate = getattr(user_code, "data")
            if isinstance(candidate, pd.DataFrame):
                user_result = candidate

        assert user_result is not None, "The resulting pivot table (variable 'data') is missing or invalid."

        # Compare DataFrames
        condition = frames_equal(user_result, ref)
        _dynamic_test(
            self,
            condition,
            "The pivot table correctly calculates min/max Length and counts Delay values per Airline and AirportFrom.",
            "The pivot table result is incorrect. Check the index, values, or aggfunc arguments."
        )


class TestOutput(unittest.TestCase):
    def test_output_head_10(self):
        """
        Check that the output of print(data.head(10)) is not empty.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.head(10))
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The first 10 rows of the pivot table are printed correctly using .head(10).",
            "The output is missing or incorrect. Use print(data.head(10))."
        )


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

test_code.py

Tämä kurssi sisältää runsaasti hyödyllisiä toimintoja tulevalle data-analyytikolle. Opit erilaisia tapoja tietojen poimimiseen ja jopa ehtojen asettamiseen niille. Tämän jälkeen tutustut tietojen ryhmittelymenetelmiin. Lisäksi opit, kuinka esikäsitellä tietoja. Jokaisella osiolla on oma tietoaineistonsa, mikä tekee kurssista mukaansatempaavan.

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.

Pivot-taulukon Luominen

Ratkaisu

Awesome!

Pivot-taulukon Luominen

Ratkaisu