Summary  
This chapter demonstrates how to use the `columns` attribute to retrieve all column names and the `dtypes` attribute to get the data type of each column in a DataFrame.

General domain of usage  
Data analysis

Nähdäksemme kaikki sarakkeiden nimet listana, meidän on käytettävä tätä koodiriviä:
```python
column_names = df.columns
```

Voimme myös saada yhteenvedon kaikista tietotyypeistä, jotka ovat tietokehyksessä. Tätä varten meidän on käytettävä seuraavaa attribuuttia: `.dtypes`.
```python
data_types = df.dtypes
```

import unittest
import importlib
import pandas as pd


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

    def test_column_names_is_index(self):
        import user_code

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

        _dynamic_test(
            self,
            condition,
            "The variable `column_names` is an `Index`.",
            failure_message
        )

    def test_column_names_is_correct(self):
        import user_code

        try:
            wine_data = pd.read_csv(
                'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
            expected_value = wine_data.columns
            condition = user_code.column_names.equals(expected_value)
            failure_message = f"Expected `column_names` to be `{expected_value}`, but got `{user_code.column_names}`."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'column_names', None):
                failure_message = "The `column_names` variable is not declared."
            else:
                failure_message = f"`column_names` is not an `Index`."

        _dynamic_test(
            self,
            condition,
            f"`column_names` contains the correct values.",
            failure_message
        )

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

    def test_data_types_is_series(self):
        import user_code

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

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

    def test_data_types_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_value = wine_data.dtypes
        
        variable = 'data_types'
        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"`first_row` contains the correct values.",
            failure_message
        )


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

test_main.py

Pandas on erittäin käyttäjäystävällinen kirjasto datan analysointiin. Se on myös suunniteltu käsittelemään suuria tietoaineistoja, käyttäen tietorakenteita kuten DataFrame ja Series. Tämä tekee siitä korvaamattoman työkalun Data Scienceen. Tässä oppaassa tutustut erilaisiin tilastollisiin funktioihin, mukaan lukien kuinka löytää korrelaatioita, moodit, mediaanit sekä maksimi- ja minimiarvot tietoaineistossa. Opit myös käsittelemään puuttuvia arvoja ja manipuloimaan tiettyjä arvoja sekä poistamaan niitä.

Tässä osiossa tutustumme Series- ja DataFrame-rakenteiden perusteisiin. Opit myös näiden kahden rakenteen välisistä eroista.

Dataa voi olla saatavilla eri muodoissa, kuten CSV, JSON, SQL, HTML ja monia muita. Pandasin avulla et ole rajoittunut yhteen muotoon — voit työskennellä datan kanssa monissa eri tiedostotyypeissä. Tässä luvussa keskitymme erityisesti CSV- ja TXT-muotoihin.

Tässä opit käsittelemään raakadataa poistamalla ylimääräistä tietoa ja hallitsemalla puuttuvia arvoja tietojoukossa.

Sarakkeiden Nimet ja Tietotyypit

Ratkaisu

Awesome!

Awesome!

Sarakkeiden Nimet ja Tietotyypit

Ratkaisu

Awesome!