Summary
This chapter covers integer-based indexing to select and slice specific rows and columns in a tabular data structure, including combining slices and index lists for flexible data extraction.

General domain of usage
Sales data analysis

This video guides you through the advanced features of the `.iloc[]` attribute in pandas. You will see how to select specific rows and columns simultaneously using integer-based indexing. The video demonstrates how `.iloc[]` allows you to specify both row and column indices, use slicing (with the last index being exclusive), and combine different selection patterns. Real-world examples show how to extract subsets of data, making your data analysis more flexible and powerful. Watch to gain a clear visual understanding of these techniques and how to apply them in your own projects.

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

Titta på exemplet och motsvarande utdata:

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

Expanding Funktionaliteten Hos .iloc[]-Attributet

Lösning