import unittest
import importlib
import pandas as pd


# Helper function to dynamically generate test names and assertions
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_colors_variable_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'colors'),
            "The `colors` variable is declared.",
            "Expected `colors` variable to be declared."
        )

    def test_colors_is_series(self):
        import user_code
        try:
            actual_value = user_code.colors
            condition = isinstance(actual_value, pd.Series)
            failure_message = f"Expected `colors` to be a `Series`, but got `{type(user_code.colors).__name__}`."

        except AttributeError:
            condition = False
            failure_message = "The `colors` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The `colors` variable is a `Series`.",
            failure_message
        )

    def test_colors_contains_correct_data(self):
        import user_code
        expected_value = pd.Series(['Red', 'Black', 'Gray', 'Yellow', 'White', 'Green'])

        variable = 'colors'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct values.",
            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: Opprette en Serie

Løsning

Awesome!

Utfordring: Opprette en Serie

Løsning

Awesome!