Hvis datasettet har rader med nullverdier, bør vi vurdere å fjerne dem. I `pandas` kan dette oppnås ved å bruke `dropna()`-metoden.

import unittest
import importlib


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)


class TestUserCode(unittest.TestCase):

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

    def test_length_before_is_int(self):
        import user_code

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

        _dynamic_test(
            self,
            condition,
            "The variable `length_before` is `int`.",
            failure_message
        )

    def test_length_before_is_correct(self):
        import user_code

        expected_value = 456

        try:
            condition = user_code.length_before == expected_value
            failure_message = f"Expected `length_before` to be `{expected_value}`, but got `{user_code.length_before}`."
        except AttributeError:
            condition = False
            failure_message = "The `length_before` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`length_before` contains the correct value.",
            failure_message
        )

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

    def test_length_after_is_int(self):
        import user_code

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

        _dynamic_test(
            self,
            condition,
            "The variable `length_after` is `int`.",
            failure_message
        )

    def test_length_after_is_correct(self):
        import user_code

        expected_value = 450

        try:
            condition = user_code.length_after == expected_value
            failure_message = f"Expected `length_after` to be `{expected_value}`, but got `{user_code.length_after}`."
        except AttributeError:
            condition = False
            failure_message = "The `length_after` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`length_after` contains the correct value.",
            failure_message
        )

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

    def test_length_before_greater_than_length_after(self):
        import user_code

        try:
            condition = user_code.length_before > user_code.length_after
            failure_message = f"Expected `length_before` to be greater than `length_after`, but got `length_before`: {user_code.length_before}, `length_after`: {user_code.length_after}."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'length_before', None):
                failure_message = "The `length_before` variable is not declared."
            else:
                failure_message = "The `length_after` variable is not declared."
        _dynamic_test(
            self,
            condition,
            f"`length_before` is greater than `length_after`.",
            failure_message
        )

    def test_wine_data_has_no_nulls(self):
        import user_code

        try:
            condition = not user_code.wine_data.isnull().values.any()
            failure_message = "Expected `wine_data` to have no null values, but null values are still present."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'wine_data', None):
                failure_message = "The `wine_data` variable is not declared."
            else:
                failure_message = f"`wine_data` is not a `DataFrame`."
        _dynamic_test(
            self,
            condition,
            "`wine_data` has no null values after cleaning.",
            failure_message
        )


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

test_main.py

Pandas er et ekstremt brukervennlig bibliotek for dataanalyse. Det er også designet for å håndtere store datasett, ved å bruke datastrukturer som DataFrame og Series. Dette gjør det til et uvurderlig verktøy for Data Science. I denne veiledningen vil du bli kjent med en rekke statistiske funksjoner, inkludert hvordan du finner korrelasjoner, modus, medianer, og maksimums- og minimumsverdier innen et datasett. Du vil også lære hvordan du håndterer manglende verdier og manipulerer spesifikke verdier, samt hvordan du fjerner dem.

I denne delen skal vi utforske det grunnleggende i Series- og DataFrame-strukturer. Du vil også lære om forskjellene mellom disse to typene strukturer.

Data kan hentes i ulike formater, som CSV, JSON, SQL, HTML og mer. Med Pandas er du ikke begrenset til ett enkelt format — du kan arbeide med data fra en rekke filtyper. I dette kapittelet vil vi spesielt fokusere på CSV- og TXT-formatene.

Her vil du lære hvordan du behandler rådata ved å fjerne overflødig informasjon og håndtere nullverdier i et datasett.

Utfordring: Fjerne Nullverdier

Løsning

Awesome!

Utfordring: Fjerne Nullverdier

Løsning

Awesome!

Utfordring: Fjerne Nullverdier

Løsning