Summary  
This chapter covers using lambda functions as inline predicates to filter rows based on conditional logic.

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)


class TestPandasImport(unittest.TestCase):
    def test_import_pandas_as_pd(self):
        """
        1. Import the pandas library with the pd alias.
        """
        import user_code
        condition = "pd" in user_code.__dict__ and user_code.pd is pd
        _dynamic_test(
            self,
            condition,
            "The pandas library is imported correctly with the alias 'pd'.",
            "Pandas is not imported correctly. Use 'import pandas as pd'."
        )


class TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        2. Read the CSV file.
        """
        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 TestEvenExtraction(unittest.TestCase):
    def test_even_rows_extraction(self):
        """
        3. Extract only rows with even indices using iloc and lambda.
        """
        import user_code
        df = user_code.data
        ref_even = df.iloc[lambda x: x.index % 2 == 0]
        condition = (
            hasattr(user_code, "even")
            and isinstance(user_code.even, pd.DataFrame)
            and user_code.even.equals(ref_even)
        )
        _dynamic_test(
            self,
            condition,
            "Rows with even indices are extracted correctly using iloc and lambda.",
            "The extraction of even-indexed rows is incorrect. Check your iloc and lambda condition."
        )


class TestOddExtraction(unittest.TestCase):
    def test_odd_rows_extraction(self):
        """
        4. Extract only rows with odd indices using iloc and lambda.
        """
        import user_code
        df = user_code.data
        ref_odd = df.iloc[lambda x: x.index % 2 != 0]
        condition = (
            hasattr(user_code, "odd")
            and isinstance(user_code.odd, pd.DataFrame)
            and user_code.odd.equals(ref_odd)
        )
        _dynamic_test(
            self,
            condition,
            "Rows with odd indices are extracted correctly using iloc and lambda.",
            "The extraction of odd-indexed rows is incorrect. Check your iloc and lambda condition."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        5. Output the first five even and last five odd rows.
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.even.head(), user_code.odd.tail())
        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 even and last five odd rows correctly.",
            "Output is missing. Make sure you print(even.head(), odd.tail())."
        )


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


test_code.py

For å sjekke om en indeks er partall eller oddetall, bruk `%` (modulo)-operatoren – den returnerer resten etter en divisjon. Hvis `x.index % 2 == 0`, er resten `0`, noe som betyr at indeksen er et partall. Hvis `x.index % 2 != 0`, er resten `1`, noe som betyr at indeksen er et oddetall.

Merk

For å vise kun de første eller siste radene i en DataFrame, bruk metodene `.head(n)` og `.tail(n)`, der `n` er antall rader som skal vises. Som standard returnerer begge metodene `5` rader hvis `n` ikke er spesifisert.

Dette kurset inneholder mange nyttige funksjoner for en fremtidig dataanalytiker. Du vil lære ulike måter å hente ut data på og til og med sette betingelser for 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 seksjonen vil lære deg hvordan du kan hente ut spesifikke kolonner ved hjelp av titler eller indekser. Du vil også bli kjent med ulike måter 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 sjekke 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 seksjonen er en av de mest fascinerende i kurset. Her vil du lære hvordan du kan gruppere data på ulike måter. Dette vil hjelpe deg som dataanalytiker med å finne informasjon om spesifikke datagrupper.

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

Filtrering av rader med lambda-funksjoner

Løsning