Summary  
This chapter covers creating and using a pandas Series, a one-dimensional labeled array, by converting a Python list into a Series, printing its contents with index labels, and accessing its index, values, and elements by index.  

General domain of usage  
Data analysis

Pandas tarjoaa kaksi ensisijaista tietorakennetta: `Series` ja `DataFrame`. `Series` on näistä yksinkertaisempi, muistuttaen **yksiulotteista** taulukkoa tai listaa. `Series`-olion voi luoda käyttämällä `pd.Series()`-konstruktoria ja antamalla sille **listan** argumenttina.

Explore the basics of Pandas Series in this video. You'll learn what a Series is, how it differs from a list or array, and how to create one using the pd.Series() constructor. Watch a step-by-step demonstration where a list is converted into a Series, and see how Pandas automatically assigns index labels. This foundational knowledge will help you work confidently with one-dimensional data in Pandas.

import pandas as pd
numbers = [17, 43, 74, 20]
series = pd.Series(numbers)

print(series)

`pd.Series()`-konstruktoria käytetään luomaan `Series`-olio, joka sisältää **luvun listan**.


import unittest
import importlib
import pandas as pd


# Helper function to dynamically generate test names and assertions
def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestUserCode(unittest.TestCase):

    def test_numbers_series_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'numbers_series'),
            "The `numbers_series` variable is declared.",
            "Expected `numbers_series` to be declared."
        )

    def test_states_series_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'states_series'),
            "The `states_series` variable is declared.",
            "Expected `states_series` to be declared."
        )

    def test_numbers_series_is_pandas_series(self):
        import user_code

        try:
            actual_value = user_code.numbers_series
            condition = isinstance(actual_value, pd.Series)
            failure_message = f"Expected `numbers_series` to be a `Series`, but got `{type(user_code.numbers_series).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `numbers_series` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `numbers_series` is a `Series`.",
            failure_message
        )

    def test_states_series_is_pandas_series(self):
        import user_code

        try:
            actual_value = user_code.states_series
            condition = isinstance(actual_value, pd.Series)
            failure_message = f"Expected `states_series` to be a `Series`, but got `{type(user_code.states_series).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `states_series` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `states_series` is a `Series`.",
            failure_message
        )

    def test_numbers_series_has_correct_values(self):
        import user_code
        expected_value = pd.Series([2, 4, 8, 16])

        variable = 'numbers_series'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct values.",
            failure_message
        )

    def test_states_series_has_correct_values(self):
        import user_code
        expected_value = pd.Series(["New York", "California", "Chicago", "Alaska"])

        variable = 'states_series'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct values.",
            failure_message
        )


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

test_main.py

Pandas on erittäin käyttäjäystävällinen kirjasto data-analyysiin. Se on myös suunniteltu käsittelemään suuria tietoaineistoja hyödyntäen tietorakenteita kuten DataFrame ja Series. Tämä tekee siitä korvaamattoman työkalun Data Science -alalla. Tässä oppaassa tutustut erilaisiin tilastollisiin funktioihin, kuten korrelaatioiden, moodien, mediaanien sekä suurimpien ja pienimpien arvojen etsimiseen aineistosta. Opit myös käsittelemään puuttuvia arvoja ja muokkaamaan sekä poistamaan yksittäisiä arvoja.

Pandas-kirjaston perusteiden tarkastelu. Series- ja DataFrame-olioiden luominen ja muokkaaminen, rakenteen tutkiminen sekä olennaisten tietokäsittelytoimintojen hallinnan vahvistaminen.

Opi lataamaan ja hallitsemaan dataa CSV- ja TXT-tiedostoista. Saat käytännön kokemusta aineistojen tuonnista ja niiden valmistelusta jatkoanalyysia varten pandas-työkaluilla.

Opi tutkimaan, puhdistamaan ja tiivistämään dataa tehokkaasti. Ymmärrä, miten käsitellä puuttuvia arvoja, löytää oivalluksia ja suorittaa perus tilastollisia operaatioita pandas-kirjastolla.

Sarjat

Ratkaisu