Summary
This chapter covers integer-based indexing to select and slice specific rows and columns in a tabular data structure, including combining slices and index lists for flexible data extraction.

General domain of usage
Sales data analysis

This video guides you through the advanced features of the `.iloc[]` attribute in pandas. You will see how to select specific rows and columns simultaneously using integer-based indexing. The video demonstrates how `.iloc[]` allows you to specify both row and column indices, use slicing (with the last index being exclusive), and combine different selection patterns. Real-world examples show how to extract subsets of data, making your data analysis more flexible and powerful. Watch to gain a clear visual understanding of these techniques and how to apply them in your own projects.

`iloc[]` が提供する新しい機能について学習。特に注目すべき点は、行と列の両方のインデックスを指定できること。この属性は `.loc[]` に似ているが、スライスの最後のインデックスは含まれない（排他的）。

例とその出力を確認：

- `data.iloc[1, 2]` - データセットの2行目・3列目に位置する要素を抽出。最初のインデックスは行、2番目は列を示す。どちらか一方を省略することも可能；
- `data.iloc[:, 3]` - **4番目**の列 `'IMDb-Rating'` の全行の値を抽出；
- `data.iloc[3, :]` または `data.iloc[3]` - `4th` とすべての関連列を抽出；
- `data.iloc[:2, 1:4]` - 最初の2行とインデックスが `1`, `2`, `3` の列を抽出；
- `data.iloc[[2,4],[1,3]]` - インデックスが `2`,`4` の**行**と、インデックスが `1`, `3` の列を抽出。

import unittest
import pandas as pd
import io
import sys


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        1. Read the CSV file into 'data' DataFrame.
        """
        import user_code
        condition = hasattr(user_code, "data") and isinstance(user_code.data, pd.DataFrame)
        _dynamic_test(
            self,
            condition,
            "The CSV file is read correctly into the 'data' DataFrame.",
            "The CSV file is not read correctly or not assigned to 'data'."
        )


class TestDataExtraction(unittest.TestCase):
    def test_data_extracted_slice(self):
        """
        2. Extract first 50 rows and columns with indices 1 and 4 using iloc.
        """
        import user_code
        df = user_code.data
        ref = df.iloc[:50, [1, 4]]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and user_code.data_extracted.equals(ref)
        )
        _dynamic_test(
            self,
            condition,
            "The variable 'data_extracted' contains the correct rows and columns slice.",
            "The 'data_extracted' slice is incorrect. Check row and column indices."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        3. Print the first few rows of data_extracted using .head().
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_extracted.head())
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The output displays the first few rows of 'data_extracted' using .head().",
            "The 'data_extracted' variable is not printed correctly using .head()."
        )


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


test_code.py

このコースは、将来のデータアナリストのために多くの有用な関数を含んでいます。さまざまなデータ抽出方法を学び、条件を設定することもできます。その後、データのグループ化手法に精通することができます。また、データの前処理方法も学びます。各セクションには独自のデータセットが用意されているため、コースは魅力的なものとなっています。

このセクションでは、タイトルやインデックスによって特定の列を出力する方法を学びます。また、インデックスによって行を選択する方法についても理解を深めます。

ここでは、特定の条件を持つデータを抽出する方法を学びます。また、それらを組み合わせたり、自分自身で条件を作成したりする方法も学びます。

このセクションでは、さまざまなデータ条件の設定に関する知識を深めます。データが定義された値のリストに含まれているか、または2つの値の間にあるかを確認する方法を学びます。また、最大値と最小値を見つける方法についても学びます。

このセクションはコースの中でも特に興味深い内容の一つです。ここでは、データをさまざまな方法でグループ化する方法を学びます。特定のデータグループに関する情報を見つけるために、データアナリストとして役立つスキルを身につけることができます。

このセクションはデータアナリストにとって最も重要なものの一つです。なぜなら、データに不適切な形式の欠損値が含まれている場合、作業が不可能になるためです。したがって、ここではそのような不適切な値への対処方法を学びます。

.iloc[]属性の機能拡張

解答