Voit myös käyttää **negatiivista indeksointia** päästäksesi käsiksi DataFramen riveihin. Negatiivinen indeksointi alkaa DataFramen lopusta: indeksi `-1` osoittaa viimeiseen riviin, `-2` toiseksi viimeiseen, ja niin edelleen.

Päästäksesi käsiksi seitsemänteen riviin (joka viittaa Latviaan), voit käyttää joko indeksiä **6** tai **-1**.

import pandas

countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'], 'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'], 'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pandas.DataFrame(countries_data)
# Accessing to the seventh row using negative indexing
print(countries.iloc[-1])

Yllä olevan koodin suorittaminen palauttaa alla olevassa kuvassa korostetun rivin:

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_audi_A1_2017_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A1_2017'),
            "The variable `audi_A1_2017` is declared.",
            "Expected `audi_A1_2017` to be declared."
        )

    def test_audi_A1_2017_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A1_2017, pd.Series)
            failure_message = f"Expected `audi_A1_2017` to be a `Series`, but got `{type(user_code.audi_A1_2017).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A1_2017` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A1_2017` is a `Series`.",
            failure_message
        )

    def test_audi_A1_2017_is_correct(self):
        import user_code

        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[0]

        variable = 'audi_A1_2017'
        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_audi_A1_2016_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A1_2016'),
            "The variable `audi_A1_2016` is declared.",
            "Expected `audi_A1_2016` to be declared."
        )

    def test_audi_A1_2016_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A1_2016, pd.Series)
            failure_message = f"Expected `audi_A1_2016` to be a `Series`, but got `{type(user_code.audi_A1_2016).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A1_2016` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A1_2016` is a `Series`.",
            failure_message
        )

    def test_audi_A1_2016_is_correct(self):
        import user_code
        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[-1]

        variable = 'audi_A1_2016'
        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_audi_A3_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A3'),
            "The variable `audi_A3` is declared.",
            "Expected `audi_A3` to be declared."
        )

    def test_audi_A3_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A3, pd.Series)
            failure_message = f"Expected `audi_A3` to be a `Series`, but got `{type(user_code.audi_A3).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A3` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A3` is a `Series`.",
            failure_message
        )

    def test_audi_A3_is_correct(self):
        import user_code

        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[3]

        variable = 'audi_A3'
        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 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.

Haaste: iloc:n Käyttäminen

Ratkaisu

Awesome!

Haaste: iloc:n Käyttäminen

Ratkaisu