import unittest
import user_code
import ast
import re   
import importlib
import csv
import polars as pl

class TestTask(unittest.TestCase):
    def setUp(self):
        # Local layout representation to test validation logic
        self.df = pl.DataFrame({
            "Required age": [0, 16, 0, 16],
            "Is_Free": [True, False, True, True],
            "Peak CCU": [5000, 12000, 3000, 4500]
        })

    def test_pivot_matrix_columns_exist(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, "pivot_game_metrics", None)
        _dynamic_test(
            self,
            callable(func),
            "pivot_game_metrics function exists and is callable.",
            "pivot_game_metrics function is missing or not callable."
        )
        result = func(self.df)
        
        _dynamic_test(
            self,
            result is not None and "Required age" in result.columns,
            "Reshaped DataFrame preserves the row tracking index 'Required age'.",
            "Reshaped DataFrame is missing required index column 'Required age'."
        )
        _dynamic_test(
            self,
            "true" in result.columns or "True" in result.columns,
            "Pivot engine successfully shifted pricing boolean categories into column headers.",
            f"Expected pricing categories as headers, but found columns: {result.columns}"
        )

    def test_pivot_matrix_values_are_accurate(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, "pivot_game_metrics", None)
        result = func(self.df)
        
        if result is not None:
            true_col = "true" if "true" in result.columns else "True"
            false_col = "false" if "false" in result.columns else "False"
            
            # Isolate Mature Rating row (Age 16) for calculation verification
            mature_row = result.filter(pl.col("Required age") == 16)
            
            # Age 16 Free mean: 4500
            # Age 16 Paid mean: 12000
            actual_free_ccu = mature_row[true_col][0]
            actual_paid_ccu = mature_row[false_col][0]
            
            _dynamic_test(
                self,
                actual_free_ccu == 4500,
                "Pivot aggregation engine accurately calculated mean values across matching indices.",
                f"Incorrect cell value calculated. Expected 4500, Got: {actual_free_ccu}"
            )
            _dynamic_test(
                self,
                actual_paid_ccu == 12000,
                "Pivot aggregation engine accurately isolated independent column configurations.",
                f"Incorrect cell value mapped. Expected 12000, Got: {actual_paid_ccu}"
            )
        else:
            _dynamic_test(self, False, "", "Reshaping validation skipped due to missing return references.")

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)

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

test_main.py

Et praktisk, videregående kurs for Python-utviklere som ønsker å mestre datahåndtering med Polars, ved bruk av virkelige datasett fra Steam-spill. Lær Polars' kolonnebaserte paradigme, utvalg, aggregering, sammenkobling, omforming og essensielle operasjoner for tekst, dato og manglende data.

Utforsk de grunnleggende forskjellene mellom Polars og tradisjonelle radbaserte DataFrames, med fokus på kolonnebaserte operasjoner, seleksjon og betinget logikk ved bruk av Steam-spilldatasettet.

Få en solid forståelse av Polars' parallelle group-by, aggregering, sammenkobling og omforming ved bruk av datasett fra Steam-spill og spioninnsikt.

Utforsk det grunnleggende innen datarensing: tekstnormalisering, datoanalyse og robust håndtering av manglende verdier i Polars.

Utfordring: Omforming av Oppsett

Løsning