Summary  
This chapter explains how to transform tabular data into a pivot table by grouping records on one or more fields and applying aggregation functions to compute summary metrics. It covers the concept of multi-dimensional data summarization and restructuring.

General domain of usage  
Data analysis

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(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ Ð´Ð²Ð¾Ñ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ ÑÐ¾ÑÑÑÐ²Ð°Ð½Ð½Ñ ÑÐ½Ð´ÐµÐºÑÑÐ²."""
    try:
        df1_sorted = df1.sort_index()
        df2_sorted = df2.sort_index()
        return df1_sorted.equals(df2_sorted)
    except Exception:
        return False


class TestPivotTable(unittest.TestCase):
    def test_pivot_table_result(self):
        """
        Check if pivot table correctly groups by Airline and AirportFrom,
        counts Delay values, and finds min and max of Length.
        """
        import user_code

        # Reference dataset
        url = "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/plane"
        df = pd.read_csv(url, index_col=0)

        # Expected result
        ref = pd.pivot_table(
            df,
            index=["Airline", "AirportFrom"],
            values=["Delay", "Length"],
            aggfunc={"Length": ["min", "max"], "Delay": "count"},
        )

        # Try to find result variable
        user_result = None
        if hasattr(user_code, "data"):
            candidate = getattr(user_code, "data")
            if isinstance(candidate, pd.DataFrame):
                user_result = candidate

        assert user_result is not None, "The resulting pivot table (variable 'data') is missing or invalid."

        # Compare DataFrames
        condition = frames_equal(user_result, ref)
        _dynamic_test(
            self,
            condition,
            "The pivot table correctly calculates min/max Length and counts Delay values per Airline and AirportFrom.",
            "The pivot table result is incorrect. Check the index, values, or aggfunc arguments."
        )


class TestOutput(unittest.TestCase):
    def test_output_head_10(self):
        """
        Check that the output of print(data.head(10)) is not empty.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.head(10))
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The first 10 rows of the pivot table are printed correctly using .head(10).",
            "The output is missing or incorrect. Use print(data.head(10))."
        )


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.

Oppretting av en Pivottabell

Løsning

Awesome!

Oppretting av en Pivottabell

Løsning