Summary  
Breaking down complex conditional logic into individual named boolean variables and then combining them with logical operators to produce clearer, more maintainable code.

General domain of usage  
Data analysis

Låt oss göra vår kod mer bekväm och mer läsbar. För övrigt är det viktigt att göra din kod förståelig för dina kollegor.



In this video, you will learn how to make your pandas code more readable and maintainable by separating complex conditions into clear, named variables before applying them with the `.loc[]` function. Watch a step-by-step walkthrough of filtering a DataFrame using multiple conditions, and see how breaking down each condition improves clarity. You will also see best practices for combining logical operators, making your code easier to understand for both you and your coworkers. This approach will help you write professional, beautiful code when working with real-world data in pandas.

För att förenkla koden kan vi skriva villkoret först och sedan lägga in det i funktionen `.loc[]`; titta på exemplet från föregående kapitel:
```python
# The first way
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet', index_col = 0)
data_extracted = data.loc[(data['est_diameter_min'] > 3.5) & (data['hazardous'] == True)]

# The second way
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet', index_col = 0)
condition_1 = data['est_diameter_min'] > 3.5
condition_2 = data['hazardous'] == True
data_extracted = data.loc[condition_1 & condition_2]
```

Det första och det andra sättet ger samma resultat, men det andra är mycket lättare att förstå eftersom du kan arbeta med två villkor separat, och uttrycket inom funktionen `.loc[]` tar upp mindre plats.

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)


def frames_equal_ignore_col_order(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ Ð¿Ð¾ÑÑÐ´ÐºÑ ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº."""
    if set(df1.columns) != set(df2.columns):
        return False
    common_cols = sorted(df1.columns)
    df1_sorted = df1[common_cols].reset_index(drop=True)
    df2_sorted = df2[common_cols].reset_index(drop=True)
    return df1_sorted.equals(df2_sorted)


class TestConditions(unittest.TestCase):
    def test_condition_1(self):
        """
        1. 'condition_1' selects rows where 'est_diameter_min' < 0.01.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["est_diameter_min"] < 0.01
        condition = hasattr(user_code, "condition_1") and user_code.condition_1.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_1' is defined correctly for est_diameter_min < 0.01.",
            "'condition_1' is incorrect. Check your comparison for est_diameter_min."
        )

    def test_condition_2(self):
        """
        2. 'condition_2' selects rows where 'absolute_magnitude' > 20.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["absolute_magnitude"] > 20
        condition = hasattr(user_code, "condition_2") and user_code.condition_2.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_2' is defined correctly for absolute_magnitude > 20.",
            "'condition_2' is incorrect. Check your comparison for absolute_magnitude."
        )

    def test_condition_3(self):
        """
        3. 'condition_3' selects rows where 'hazardous' == False.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["hazardous"] == False
        condition = hasattr(user_code, "condition_3") and user_code.condition_3.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_3' is defined correctly for hazardous == False.",
            "'condition_3' is incorrect. Check your equality condition for hazardous."
        )


class TestGeneralCondition(unittest.TestCase):
    def test_general_condition_result(self):
        """
        4. Apply the general condition: (condition_1 & condition_2) | condition_3.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df.loc[(df["est_diameter_min"] < 0.01) & (df["absolute_magnitude"] > 20) | (df["hazardous"] == False)]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and frames_equal_ignore_col_order(user_code.data_extracted, ref)
        )
        _dynamic_test(
            self,
            condition,
            "The general condition combining all three subconditions is implemented correctly.",
            "The general condition or filtering logic is incorrect. Check the use of '&' and '|'."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        5. Print the first few rows of the resulting DataFrame using .head().
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_extracted.head())
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The output displays the first few rows of 'data_extracted' using .head().",
            "The 'data_extracted' DataFrame is not printed correctly. Use print(data_extracted.head())."
        )


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


test_code.py

Denna kurs innehåller många användbara funktioner för en framtida dataanalytiker. Du kommer att lära dig olika sätt att extrahera data och även sätta villkor på den. Därefter kommer du att bli bekant med metoder för att gruppera data. Du kommer också att lära dig hur man förbehandlar data. Varje avsnitt har sitt eget dataset, vilket gör kursen engagerande.

Detta avsnitt lär dig hur du kan visa specifika kolumner utifrån deras titlar eller index. Du kommer även att bekanta dig med olika sätt att välja rader utifrån index.

Här kommer du att lära dig hur du extraherar data som uppfyller specifika villkor. Du kommer även att lära dig hur du kombinerar dessa och till och med skapar egna.

I det här avsnittet kommer du att fördjupa dina kunskaper om att ställa in olika datavillkor. Du kommer att lära dig att kontrollera om dina data finns i en definierad lista av värden eller mellan två värden. Du kommer även att lära dig hur du hittar de största och minsta värdena.

Detta avsnitt är ett av de mest fascinerande i kursen. Här kommer du att lära dig hur man grupperar data på olika sätt. Det kommer att hjälpa dig att arbeta som dataanalytiker för att hitta information om specifika datagrupper.

Detta avsnitt är ett av de mest betydelsefulla för en dataanalytiker eftersom det blir omöjligt att arbeta med data om den innehåller saknade värden eller är i fel format. Därför kommer du att lära dig hur man hanterar sådana olämpliga värden här.

Göra Din Kod Vacker

Lösning