Summary  
This chapter covers using the `.iloc[]` attribute to perform index-based selection on a DataFrame, including accessing single elements, slicing rows and columns, and selecting subsets via lists of indices.

General domain of usage  
Data analysis with tabular datasets using pandas.

Vi kommer att lära oss några nya funktioner som `iloc[]` erbjuder. Den mest intressanta är att vi kan specificera index för både rader och kolumner. Denna attribut liknar `.loc[]`, men det sista indexet i slicingen är exkluderande.

Titta på exemplet och den relevanta utmatningen:

- `data.iloc[1, 2]` – extraherar objektet som finns i datasättets andra rad och tredje kolumn. Det första indexet motsvarar radindexet och det andra kolumnindexet. Du kan faktiskt utelämna en av dem;
- `data.iloc[:, 3]` – extraherar alla värden från raderna i **fjärde** kolumnen `'IMDb-Rating'`;
- `data.iloc[3, :]` eller `data.iloc[3]` – extraherar den `4th` raden och alla relevanta kolumner;
- `data.iloc[:2, 1:4]` – extraherar de två första raderna och kolumnerna med index `1`, `2`, `3`;
- `data.iloc[[2,4],[1,3]]` – extraherar **raderna** med index `2`,`4` och kolumnerna med index `1`, `3`.

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)


class TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        1. Read the CSV file into 'data' DataFrame.
        """
        import user_code
        condition = hasattr(user_code, "data") and isinstance(user_code.data, pd.DataFrame)
        _dynamic_test(
            self,
            condition,
            "The CSV file is read correctly into the 'data' DataFrame.",
            "The CSV file is not read correctly or not assigned to 'data'."
        )


class TestDataExtraction(unittest.TestCase):
    def test_data_extracted_slice(self):
        """
        2. Extract first 50 rows and columns with indices 1 and 4 using iloc.
        """
        import user_code
        df = user_code.data
        ref = df.iloc[:50, [1, 4]]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and user_code.data_extracted.equals(ref)
        )
        _dynamic_test(
            self,
            condition,
            "The variable 'data_extracted' contains the correct rows and columns slice.",
            "The 'data_extracted' slice is incorrect. Check row and column indices."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        3. Print the first few rows of data_extracted 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' variable is not printed correctly using .head()."
        )


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


test_code.py

Denna kurs innehåller många användbara funktioner för en blivande 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 sin egen datamängd, vilket gör kursen engagerande.

Detta avsnitt lär dig hur du kan visa specifika kolumner med hjälp av deras titlar eller index. Du kommer även att bekanta dig med metoder för att välja rader baserat på 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 skapa egna.

I det här avsnittet kommer du att fördjupa dina kunskaper om att ange 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 får du lära dig hur man grupperar data på olika sätt. Det hjälper dig att arbeta som dataanalytiker för att ta fram 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 felaktigt format. Här lär du dig hur du hanterar sådana olämpliga värden.

Utöka Funktionaliteten Hos .iloc[]-Attributet

Lösning

Awesome!

Utöka Funktionaliteten Hos .iloc[]-Attributet

Lösning