Summary  
Demonstrates how to use boolean expressions to filter and select subsets of data from collections based on conditional criteria.

General domain of usage  
Data analysis

For å utmerke seg i programmering, er det alltid nødvendig med øvelse. I denne oppgaven må du også huske funksjonene fra forrige kapittel. Hvis du ikke er trygg på funksjonene fra forrige kapittel, se på hintene for å repetere dem.

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)


def frames_equal_ignore_col_order(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ Ð¿Ð¾ÑÑÐ´ÐºÑ ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº."""
    if set(df1.columns) != set(df2.columns):
        return False
    common_cols = sorted(df1.columns)
    df1_sorted = df1[common_cols].reset_index(drop=True)
    df2_sorted = df2[common_cols].reset_index(drop=True)
    return df1_sorted.equals(df2_sorted)


class TestExtraction(unittest.TestCase):
    def test_extract_columns(self):
        """
        1. Extract all rows from columns 'name' and 'hazardous' using .loc[].
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet"
        )
        ref = df.loc[:, ["name", "hazardous"]]

        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and frames_equal_ignore_col_order(user_code.data_extracted, ref)
        )
        _dynamic_test(
            self,
            condition,
            "Columns 'name' and 'hazardous' are extracted correctly using .loc[].",
            "The extraction of 'name' and 'hazardous' columns is incorrect."
        )


class TestFiltering(unittest.TestCase):
    def test_filter_true_rows(self):
        """
        2. Filter rows where 'hazardous' is True.
        """
        import user_code
        ref = user_code.data_extracted.loc[user_code.data_extracted["hazardous"] == True]

        condition = (
            hasattr(user_code, "data_filtered")
            and isinstance(user_code.data_filtered, pd.DataFrame)
            and frames_equal_ignore_col_order(user_code.data_filtered, ref)
        )
        _dynamic_test(
            self,
            condition,
            "Rows where 'hazardous' == True are filtered correctly.",
            "Filtering by 'hazardous' == True is incorrect."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        3. Output the first five rows of data_filtered using .head().
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_filtered.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 five rows of 'data_filtered' correctly.",
            "The 'data_filtered' dataset is not printed correctly. Use print(data_filtered.head())."
        )


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


test_code.py

Dette kurset inneholder mange nyttige funksjoner for en fremtidig dataanalytiker. Du vil lære ulike metoder for å hente ut data og til og med sette betingelser på dem. Etter dette vil du bli kjent med metoder for å gruppere data. Du vil også lære hvordan du forhåndsbehandler data. Hver seksjon har sitt eget datasett, noe som gjør kurset engasjerende.

Denne delen vil lære deg hvordan du kan hente ut spesifikke kolonner ved hjelp av titler eller indekser. Du vil også bli kjent med ulike metoder for å velge rader basert på indekser.

Her vil du lære hvordan du kan hente ut data som oppfyller spesifikke betingelser. Du vil også lære hvordan du kan kombinere dem og til og med lage dine egne.

I denne delen vil du utvide kunnskapen din om å sette ulike datakriterier. Du vil lære å kontrollere om dataene dine finnes i en definert liste med verdier eller mellom to verdier. Du vil også lære hvordan du finner de største og minste verdiene.

Denne delen er en av de mest interessante i kurset. Her lærer du hvordan du kan gruppere data på ulike måter. Dette vil hjelpe deg som dataanalytiker med å finne informasjon om spesifikke datagrupper.

Denne delen er en av de viktigste for en dataanalytiker fordi det vil være umulig å arbeide med data dersom de inneholder manglende verdier eller feil format. Her vil du lære hvordan du håndterer slike upassende verdier.

Velge Data Basert på Betingelse

Løsning

Awesome!

Velge Data Basert på Betingelse

Løsning