For å føle deg trygg og fullføre dette kurset med suksess, anbefaler vi sterkt at du **fullfører følgende kurs** på forhånd (bare klikk på dem for å starte):

## Hvorfor bruke Pandas?

`pandas` er et Python-bibliotek designet for databehandling og analyse. Å mestre dette biblioteket er fordelaktig for **datascientists** og **dataanalytikere**. Med `pandas` kan du sortere, filtrere, endre og visualisere dataene dine, samt beregne nyttig statistikk, slik at du kan utføre omfattende analyser.

For å bruke dette biblioteket, må du **importere** det.
```python
# Importing `pandas`
import pandas
```

For enkelhets skyld er det vanlig å importere biblioteket med et alias.
```python
# Importing `pandas` with an alias
import pandas as pd
```

I dette tilfellet fungerer `pd` som et alias. Så når du skal bruke funksjoner fra dette biblioteket i fremtiden, vil du gjøre det som følger:
```python
# Importing `pandas` with an alias
import pandas as pd

# Using a function from `pandas`
pd.function()
```

import unittest
import importlib
import sys


# 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):

    # Test if `pandas` is imported in user_code.py
    def test_pandas_is_imported(self):
        import user_code
        pandas_imported = "pandas" in sys.modules
        condition = pandas_imported
        failure_message = "Expected `pandas` to be imported, but it is not imported."

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is imported.",
            failure_message
        )

    # Test if `pandas` is correctly assigned to `pd`
    def test_pandas_imported_as_pd(self):
        import user_code
        actual_value = getattr(user_code, "pd", None)

        if actual_value is None:
            condition = False
            failure_message = "Expected `pandas` to be imported as `pd`, but `pd` is not declared."
        elif actual_value.__name__ != "pandas":
            condition = False
            failure_message = f"Expected `pandas` to be imported as `pd`, but got `{actual_value.__name__}` imported as `pd`."
        else:
            condition = True
            failure_message = ''

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is correctly imported as `pd`.",
            failure_message
        )


# Run the tests when executing the script
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.

Hva er Pandas?

Hvorfor bruke Pandas?

Løsning

Hva er Pandas?

Hvorfor bruke Pandas?

Løsning