Summary  
This chapter explains how to import a Python library and assign it an alias for convenient use.  

General domain of usage  
Data analysis

Jotta voisit tuntea olosi varmaksi ja suorittaa tämän kurssin onnistuneesti, suosittelemme vahvasti, että **suoritat seuraavat kurssit** etukäteen (klikkaa vain niitä aloittaaksesi):

## Miksi käyttää Pandasia?

`pandas` on Python-kirjasto, joka on suunniteltu tietojen käsittelyyn ja analysointiin. Tämän kirjaston hallitseminen on hyödyllistä sekä **data scientists** että **data analysts**. `pandas` avulla voit lajitella, suodattaa, muokata ja visualisoida tietojasi sekä laskea hyödyllisiä tilastoja, mikä mahdollistaa kattavan analyysin suorittamisen.

Tämän kirjaston hyödyntämiseksi sinun on **tuotava** se.
```python
# Importing `pandas`
import pandas
```

Käytön helpottamiseksi on yleistä tuoda kirjasto käyttäen aliasia.
```python
# Importing `pandas` with an alias
import pandas as pd
```

Tässä tapauksessa `pd` toimii aliaksena. Joten, kun kutsut tämän kirjaston funktioita tulevaisuudessa, tekisit sen seuraavasti:
```python
# Importing `pandas` with an alias
import pandas as pd

# Using a function from `pandas`
pd.function()
```

import unittest
import importlib
import sys


# 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):

    # Test if `pandas` is imported in user_code.py
    def test_pandas_is_imported(self):
        import user_code
        pandas_imported = "pandas" in sys.modules
        condition = pandas_imported
        failure_message = "Expected `pandas` to be imported, but it is not imported."

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is imported.",
            failure_message
        )

    # Test if `pandas` is correctly assigned to `pd`
    def test_pandas_imported_as_pd(self):
        import user_code
        actual_value = getattr(user_code, "pd", None)

        if actual_value is None:
            condition = False
            failure_message = "Expected `pandas` to be imported as `pd`, but `pd` is not declared."
        elif actual_value.__name__ != "pandas":
            condition = False
            failure_message = f"Expected `pandas` to be imported as `pd`, but got `{actual_value.__name__}` imported as `pd`."
        else:
            condition = True
            failure_message = ''

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is correctly imported as `pd`.",
            failure_message
        )


# Run the tests when executing the script
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.

Mikä On Pandas?

Miksi käyttää Pandasia?

Ratkaisu