import unittest
import psycopg2
import pandas as pd

class TestTask(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        cls.connection = psycopg2.connect(
            host="localhost",
            user="agent",
            password="qwerty",
            dbname="testdb",
            sslmode="disable"
        )
        cls.cursor = cls.connection.cursor()

    def test_columns_and_ordering(self):
        """Check that the query extracts 'region' and 'capital' columns ordered by region, then by capital."""
        with open("query.sql", "r") as file:
            query = file.read()

        # Run user query
        self.cursor.execute(query)
        rows = self.cursor.fetchall()
        columns = [desc[0] for desc in self.cursor.description]
        result_df = pd.DataFrame(rows, columns=columns)

        # Check columns
        expected_columns = ["region", "capital"]
        has_columns = list(result_df.columns) == expected_columns
        _dynamic_test(
            self,
            has_columns,
            "Query returns only 'region' and 'capital' columns in correct order.",
            f"Query must return only columns 'region' and 'capital' in order. Found: {list(result_df.columns)}"
        )

        # Check ordering
        is_ordered = result_df.equals(result_df.sort_values(["region", "capital"], kind="mergesort").reset_index(drop=True))
        _dynamic_test(
            self,
            is_ordered,
            "Rows are sorted by 'region' then by 'capital'.",
            "Rows are not sorted by 'region' then by 'capital'."
        )

    def test_all_rows_present(self):
        """Check that all expected (region, capital) pairs from the table are present in the output."""
        with open("query.sql", "r") as file:
            query = file.read()

        # Reference query
        sol_query = """
        SELECT region, capital FROM country
        """
        self.cursor.execute(sol_query)
        sol_rows = self.cursor.fetchall()
        sol_columns = [desc[0] for desc in self.cursor.description]
        sol_df = pd.DataFrame(sol_rows, columns=sol_columns)

        self.cursor.execute(query)
        rows = self.cursor.fetchall()
        columns = [desc[0] for desc in self.cursor.description]
        result_df = pd.DataFrame(rows, columns=columns)

        # Compare sets of tuples
        expected_set = set(tuple(x) for x in sol_df.values)
        result_set = set(tuple(x) for x in result_df.values)
        missing = expected_set - result_set
        extra = result_set - expected_set
        condition = len(missing) == 0 and len(extra) == 0
        fail_msg = ""
        if missing:
            fail_msg += f"Missing rows: {missing}. "
        if extra:
            fail_msg += f"Unexpected extra rows: {extra}."
        _dynamic_test(
            self,
            condition,
            "All expected (region, capital) pairs are present in the result.",
            fail_msg.strip()
        )

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)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\s{2,}", " ", text)
    text = re.sub(r"\s*([,:?])\s*", r"\1 ", text)
    return text.strip()

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


test_solution.py

Tutustu SQL:n perusteisiin – tiedon hakemisesta sen integrointiin käytännön sovelluksiin. Olitpa vasta aloittamassa tietokantojen hallintaa tai haluat hyödyntää SQL:ää sovelluskehityksessä, tämä kurssi kattaa olennaiset asiat. Opit nopeasti hyödyntämään SQL:n koko potentiaalia tiedon hakemisesta ja hallinnasta sen sujuvaan integrointiin todellisiin sovelluksiin. Kurssin lopussa hallitset käytännön ongelmien ratkaisun SQL:llä ja kehitysprosessisi tehostuu.

Tässä osiossa opitaan käyttämään SQL SELECT -lausetta yksittäisen taulun sarakkeen, useiden taulun sarakkeiden ja kaikkien taulun sarakkeiden hakemiseen. Lisäksi selvitetään, miten palautetaan yksilölliset arvot.

Tässä osiossa tarkastellaan, kuinka kyselyn palauttamaa dataa voidaan järjestää ja priorisoida ORDER BY -lauseen avulla. Tämä lause sijoitetaan SELECT-lauseen loppuun ja sen avulla tulokset voidaan lajitella yhden tai useamman sarakkeen perusteella joko nousevaan tai laskevaan järjestykseen, mikä mahdollistaa merkityksellisemmän ja helpommin tulkittavan datan esittämisen.

Tässä osiossa opitaan suodattamaan palautettuja tietoja SELECT-lauseen WHERE-ehdon avulla. Käsitellään yhtäsuuruuden, erisuuruuden, suurempien ja pienempien arvojen sekä NULL-arvojen testaamista.

Tässä osiossa perehdytään hakuehtojen tarkentamiseen yhdistämällä WHERE-lausekkeita AND- ja OR-operaattoreiden avulla. Lisäksi käsitellään, miten NOT-operaattoria voidaan käyttää tiettyjen tulosten poissulkemiseen.

Tässä osiossa opimme, mitä SQL:n aggregaattifunktiot ovat ja kuinka niitä käytetään taulukoiden tietojen yhteenvedossa.

Haaste: Kaksoislajittelukysely

Ratkaisu