`DataFrame`, jonka kanssa työskentelet:


Voit käyttää myös **negatiivista indeksointia** rivien hakemiseen DataFrame:stä. Negatiivinen indeksointi alkaa DataFrame:n lopusta: indeksi `-1` viittaa viimeiseen riviin, `-2` toiseksi viimeiseen ja niin edelleen.

Seitsemännen rivin (joka viittaa Latviaan) hakemiseen 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 rivin, joka on korostettu alla olevassa kuvassa:

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 suunniteltu käsittelemään suuria tietoaineistoja hyödyntäen tietorakenteita kuten DataFrame ja Series. Tämä tekee siitä korvaamattoman työkalun data-analytiikassa. Tässä oppaassa tutustut erilaisiin tilastollisiin funktioihin, kuten korrelaatioiden, moodien, mediaanien sekä suurimpien ja pienimpien arvojen etsimiseen tietoaineistosta. Opit myös käsittelemään puuttuvia arvoja, muokkaamaan yksittäisiä arvoja sekä poistamaan niitä.

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

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

Opi tutkimaan, puhdistamaan ja tiivistämään dataa tehokkaasti. Ymmärrä puuttuvien arvojen käsittely, oivallusten löytäminen ja perus tilastollisten operaatioiden suorittaminen pandas-kirjastolla.

Haaste: Iloc[]-indeksin Käyttäminen

Ratkaisu

Awesome!

Haaste: Iloc[]-indeksin Käyttäminen

Ratkaisu