Summary  
This chapter covers using the `.iloc[]` attribute to perform index-based selection on a DataFrame, including accessing single elements, slicing rows and columns, and selecting subsets via lists of indices.

General domain of usage  
Data analysis with tabular datasets using pandas.

Opimme joitakin uusia ominaisuuksia, joita `iloc[]` tarjoaa. Mielenkiintoisin niistä on mahdollisuus määrittää sekä rivien että sarakkeiden indeksit. Tämä ominaisuus muistuttaa `.loc[]`-attribuuttia, mutta viipaloinnin viimeinen indeksi on poissulkeva.

Tarkastele esimerkkiä ja siihen liittyvää tulostetta:

- `data.iloc[1, 2]` – poimii tietojoukon toisella rivillä ja kolmannessa sarakkeessa olevan arvon. Ensimmäinen indeksi viittaa rivin indeksiin ja toinen sarakkeen indeksiin. Voit myös jättää toisen niistä pois;
- `data.iloc[:, 3]` – poimii kaikki arvot **neljännen** sarakkeen `'IMDb-Rating'` riveiltä;
- `data.iloc[3, :]` tai `data.iloc[3]` – poimii `4th` rivin ja kaikki siihen liittyvät sarakkeet;
- `data.iloc[:2, 1:4]` – poimii kaksi ensimmäistä riviä ja sarakkeet indekseillä `1`, `2`, `3`;
- `data.iloc[[2,4],[1,3]]` – poimii **rivit** indekseillä `2`, `4` ja sarakkeet indekseillä `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

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.

Laajennettu .iloc[]-Attribuutin Toiminnallisuus

Ratkaisu

Awesome!

Laajennettu .iloc[]-Attribuutin Toiminnallisuus

Ratkaisu