Summary  
This chapter explains how to access single or multiple columns in a Pandas DataFrame using square bracket or dot notation, and highlights the limitations of dot notation.

General domain of usage  
Data manipulation with Pandas

In this video, you'll learn how to access columns in a pandas DataFrame using both square bracket and dot notation. You'll see practical code examples for retrieving a single column as a Series and multiple columns as a new DataFrame. The video also explains when dot notation is allowed, and demonstrates how to use double square brackets to select several columns at once. By the end, you'll be able to confidently extract the data you need from any DataFrame.

DataFrameを操作する際、各列を個別に参照可能。
```python
df['column_name']
```

この構文の説明：
- 操作対象のDataFrame名を記述；
- 次に、参照したい列名を**角括弧**内に記述。列名は必ず引用符で囲む。

また、列名が以下の条件を満たす場合は**ドット記法**でもアクセス可能：

1. 有効なPython識別子である（例：空白や特殊文字がなく、数字で始まらない）；
2. 既存の`pandas`属性やメソッド名と競合しない。

```python
df.column_name
```

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)

capitals = countries['capital']

# Second option
# capitals = countries.capital

print(capitals)

このコードを実行すると、DataFrame 全体ではなく、首都の列のみが表示されます。

**複数**の列にも次のようにアクセス可能。
```python
df[['column1', 'column2', 'column3']]
```

単一の列にアクセスする場合との違いは 1 点のみ。今回は、**列名のリスト**をさらにもう一組の角括弧で囲む必要があり、**二重の角括弧**を使用します。

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)
columns = countries[['country', 'capital']]
print(columns)

import unittest
import importlib
import pandas as pd


# Helper function for dynamic test naming
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 get_first_differing_row(expected_df, actual_df):
    expected_list = expected_df.astype(str).apply(tuple, axis=1)
    actual_list = actual_df.astype(str).apply(tuple, axis=1)

    for i, (row1, row2) in enumerate(zip(expected_list, actual_list)):
        if row1 != row2:
            return i, expected_df.iloc[i].values, actual_df.iloc[i].values

    if len(expected_df) > len(actual_df):
        return len(actual_df), expected_df.iloc[len(actual_df)].values, None
    else:
        return len(expected_df), None, actual_df.iloc[len(expected_df)].values


class TestUserCode(unittest.TestCase):

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

    def test_text_columns_is_dataframe(self):
        import user_code

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

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

    def test_columns_contains_correct_values(self):
        import user_code

        expected_df = pd.DataFrame({
            'model': ['audi A1', 'audi A6', 'audi A4', 'audi A3', 'audi A1'],
            'price': [12500, 16500, 16800, 17300, 13900],
            'year': [2017, 2016, 2017, 2019, 2016]
        })

        variable = 'columns'
        actual_df = getattr(user_code, variable, None)
        condition = False
        if actual_df is None:
            failure_message = f"The `{variable}` variable is not declared."
        elif not isinstance(actual_df, pd.DataFrame):
            failure_message = f"`{variable}` is not a `DataFrame`."
        elif actual_df.empty:
            failure_message = f"`{variable}` is empty."
        elif actual_df.sort_index(axis=1).equals(expected_df):
            condition = True
            failure_message = None
        else:
            actual_df = actual_df.sort_index(axis=1)
            idx, expected_row, actual_row = get_first_differing_row(expected_df, actual_df)
            failure_message = f"Expected `{variable}` to contain `{expected_row}` at row {idx}, but got `{actual_row}`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct data.",
            failure_message
        )

        _dynamic_test(
            self,
            condition,
            "`columns` contains the correct values.",
            failure_message
        )


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

test_main.py

Pandasは、データ分析のための非常にユーザーフレンドリーなライブラリです。また、DataFrameやSeriesのようなデータ構造を使用して大規模なデータセットを扱うように設計されています。これにより、データサイエンスにとって不可欠なツールとなっています。本ガイドでは、相関、最頻値、中央値、最大値および最小値の算出方法など、さまざまな統計関数について学びます。また、欠損値の処理や特定の値の操作、削除方法についても習得します。

pandasライブラリの基本を学びます。SeriesおよびDataFrameの作成と操作、その構造の探索、基本的なデータ操作の実践に自信を持つことができます。

CSVファイルおよびTXTファイルからデータを読み込み、管理する方法を習得します。pandasツールを使用してデータセットをインポートし、さらなる分析のために準備する実践的な経験を得られます。

データを効果的に探索、クリーンアップ、要約する方法を学びます。欠損値の処理方法、インサイトの抽出、pandasを用いた基本的な統計操作について理解します。

列の操作

解答