Summary  
This chapter covers how to introspect a tabular data structure to retrieve metadata (row/column counts, column names, data types) and determine its length using built-in functions.

General domain of usage  
Data analysis

I `pandas` finnes det en praktisk metode kalt `info()` som gir grunnleggende informasjon om et datasett.

import pandas as pd
# It's a dataframe
df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/example.csv')
info = df.info()
print(info)

Denne metoden viser antall rader og kolonner i DataFrame, samt hver kolonnes navn og datatypen. For eksempel inneholder `df` **20** rader og **5** kolonner.

For å bestemme lengden på DataFrame, kan vi bruke `len()`-funksjonen, som vist i eksempelet nedenfor:
```python
length = len(df)
```

import unittest
import importlib
import pandas as pd
from io import StringIO
import re


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

    def test_info_method_is_used(self):
        with open('user_code.py', 'r') as file:
            user_code_source = file.read()

        _dynamic_test(
            self,
            re.search(r'\.info\s*\(', user_code_source),
            "The `info()` method is used.",
            "Expected the `info()` method to be used."
        )


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.

Utforske Datasettet

Løsning

Awesome!

Utforske Datasettet

Løsning

Awesome!