`pandas` fornisce il metodo `max()`, che restituisce il **valore più alto** da una colonna specificata.

```python
df = pd.read_csv(file.csv)
max_value = df.max()
```

Per identificare il valore più alto di una colonna specifica, puoi utilizzare questo approccio:
```python
df = pd.read_csv(file.csv)
max_values = df['column_name'].max()
```

Allo stesso modo, `pandas` offre il metodo `min()` che recupera il **valore più piccolo** da una colonna data.
```python
df = pd.read_csv(file.csv)
min_value = df.min()
```

Per determinare il valore più piccolo per una particolare colonna, viene utilizzato lo stesso metodo:
```python
df = pd.read_csv(file.csv)
min_values = df['column_name'].min()
```

import unittest
import importlib


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

    def test_highest_price_is_correct(self):
        import user_code
        expected_value = max([12500, 16500, 16800, 17300, 16500])

        try:
            actual_value = user_code.highest_price
            condition = actual_value == expected_value
            failure_message = f"Expected `highest_price` to be `{expected_value}`, but got `{actual_value}`."
        except AttributeError:
            condition = False
            failure_message = "The `highest_price` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"The `highest_price` is `{expected_value}`.",
            failure_message
        )

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

    def test_lowest_price_is_correct(self):
        import user_code
        expected_value = min([12500, 16500, 16800, 17300, 16500])

        try:
            actual_value = user_code.lowest_price
            condition = actual_value == expected_value
            failure_message = f"Expected `lowest_price` to be `{expected_value}`, but got `{actual_value}`."
        except AttributeError:
            condition = False
            failure_message = "The `lowest_price` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`lowest_price` has correct value.",
            failure_message
        )

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

    def test_average_price_is_correct(self):
        import user_code
        expected_value = sum([12500, 16500, 16800, 17300, 16500]) / 5

        try:
            actual_value = user_code.average_price
            condition = actual_value == expected_value
            failure_message = f"Expected `average_price` to be `{expected_value}`, but got `{actual_value}`."
        except AttributeError:
            condition = False
            failure_message = "The `average_price` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "`average_price` has correct value.",
            failure_message
        )


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

test_main.py

Pandas è una libreria estremamente intuitiva per l'analisi dei dati. È anche progettata per gestire grandi set di dati, utilizzando strutture dati come DataFrame e Series. Questo la rende uno strumento inestimabile per la Data Science. In questa guida, ti familiarizzerai con una gamma di funzioni statistiche, tra cui come trovare correlazioni, modali, mediane e valori massimi e minimi all'interno di un set di dati. Imparerai anche come gestire i valori mancanti e manipolare valori specifici, oltre a come rimuoverli.

In questa sezione, esploreremo i fondamenti delle strutture Series e DataFrame. Imparerai anche le differenze tra questi due tipi di strutture.

I dati possono essere ottenuti in vari formati, come CSV, JSON, SQL, HTML e altri. Con Pandas, non sei limitato a un solo formato: puoi lavorare con dati provenienti da una moltitudine di tipi di file. In questo capitolo, ci concentreremo specificamente sui formati CSV e TXT.

Qui, imparerai come elaborare i dati grezzi rimuovendo le informazioni superflue e gestendo i valori nulli in un dataset.

Max() e Min()

Soluzione

Max() e Min()

Soluzione