Summary  
This chapter covers how to use the insert() method to add a new column at a specified position in a DataFrame, modifying it in place.  

General domain of usage  
Data analysis

Ensuite, découvrez une autre méthode pour ajouter une colonne à un `DataFrame` en utilisant la méthode `insert()`. Cette méthode permet de **spécifier la position** de la nouvelle colonne dans le `DataFrame`.

Watch this video to see a step-by-step demonstration of how to use the insert() method to add a new column to a DataFrame in Python. You'll learn how to specify the exact position of the new column and understand how this method differs from other ways of adding columns. The video visually reinforces the concepts and code you've just practiced, making it easier to remember and apply the insert() method in your own projects.

```python
df.insert(column_index, 'column_name', [value_1, value_2, value_3])
```

- `df` : nom du DataFrame existant ;
- `insert()` : méthode utilisée pour ajouter de nouvelles colonnes ;
- `column_index` : position à laquelle la nouvelle colonne sera insérée (notez que l'indexation commence à **0**) ;
- `column_name` : nom de la nouvelle colonne ;
- `[value_1, value_2, value_3]` : valeurs qui rempliront la nouvelle colonne.

Concentrez-vous sur le DataFrame `countries` et ajoutez une nouvelle colonne nommée `'population'`, qui représente les populations des pays, juste après la première colonne (`'country'`).


import pandas as pd
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 = pd.DataFrame(countries_data)

countries.insert(1, 'population', [61399000, 75967000, 39244, 380200, 10380491, 5496000, 2424200])
print(countries)

import unittest
import importlib


# 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):

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

    def test_audi_cars_is_dataframe(self):
        import user_code
        import pandas as pd
        try:
            condition = isinstance(user_code.audi_cars, pd.DataFrame)
            failure_message = f"Expected `audi_cars` to be a `DataFrame`, but got `{type(user_code.audi_cars).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_cars` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `audi_cars` is a `DataFrame`.",
            failure_message
        )

    def test_audi_cars_columns_correct(self):
        import user_code
        try:
            expected_columns = ['model', 'year', 'price', 'fueltype']
            actual_columns = list(user_code.audi_cars.columns)
            condition = actual_columns == expected_columns
            failure_message = f"Expected `audi_cars` columns to be `{expected_columns}`, but got `{actual_columns}`."

        except TypeError:
            condition = False
            failure_message = f"`audi_cars` is not a `DataFrame`."

        except AttributeError:
            condition = False

            if not getattr(user_code, 'audi_cars', None):
                failure_message = "The `audi_cars` variable is not declared."
            else:
                failure_message = f"`audi_cars` is not a `DataFrame`."

        _dynamic_test(
            self,
            condition,
            f"`audi_cars` has the correct columns.",
            failure_message
        )

    def test_price_column_correct_values(self):
        import user_code
        expected_values = [12500, 16500, 16800, 17300, 13900]
        try:
            actual_values = user_code.audi_cars['price'].tolist()
            condition = actual_values == expected_values
            failure_message = f"Expected `price` column values to be `{expected_values}`, but got `{actual_values}`."

        except TypeError:
            condition = False
            failure_message = f"`audi_cars` is not a `DataFrame`."

        except AttributeError:
            condition = False
            failure_message = "The `audi_cars` variable is not declared."

        except KeyError:
            condition = False
            failure_message = "The `price` column is missing in the `audi_cars` `DataFrame`."

        _dynamic_test(
            self,
            condition,
            f"The `price` column contains the correct values.",
            failure_message
        )

    def test_insert_method_used(self):
        with open('user_code.py', 'r') as file:
            user_code_source = file.read()
        condition = ".insert(" in user_code_source
        failure_message = "Expected the `.insert()` method to be used to add the `'price'` column."

        _dynamic_test(
            self,
            condition,
            "The `.insert()` method is used to add the `'price'` column.",
            failure_message
        )


# Run the tests when executing the script
if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas est une bibliothèque extrêmement conviviale pour l'analyse de données. Elle est également conçue pour gérer de grands ensembles de données, en utilisant des structures telles que DataFrame et Series. Cela en fait un outil inestimable pour la Data Science. Dans ce guide, vous découvrirez une gamme de fonctions statistiques, notamment comment trouver les corrélations, les modes, les médianes, ainsi que les valeurs maximales et minimales au sein d'un ensemble de données. Vous apprendrez également à gérer les valeurs manquantes et à manipuler des valeurs spécifiques, ainsi qu'à les supprimer.

Plongez dans les fondamentaux de la bibliothèque pandas. Création et manipulation de Series et DataFrames, exploration de leur structure, et acquisition de l'assurance nécessaire pour effectuer les opérations de données essentielles.

Maîtrise du chargement et de la gestion des données à partir de fichiers CSV et TXT. Acquisition d'une expérience pratique dans l'importation de jeux de données et leur préparation pour une analyse ultérieure à l'aide des outils pandas.

Apprenez à explorer, nettoyer et résumer les données de manière efficace. Comprenez comment gérer les valeurs manquantes, extraire des informations et effectuer des opérations statistiques de base avec pandas.

Ajout d'une Nouvelle Colonne

Solution