Summary  
This chapter explains how to inspect a DataFrame’s structure and metadata by using the `info()` method to view column names, types, and dimensions, and the `len()` function to determine its row count.

General domain of usage  
Data analysis

I `pandas` finns det en praktisk metod som heter `info()` som ger grundläggande information om en dataset.

import pandas as pd
# It's a dataframe
df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/example.csv')
info = df.info()
print(info)

Denna metod visar antalet rader och kolumner i DataFrame, samt varje kolumns namn och datatyp. Till exempel innehåller `df` **20** rader och **5** kolumner.

För att bestämma längden på DataFrame kan vi använda funktionen `len()`, som demonstreras i exemplet nedan:
```python
length = len(df)
```

import unittest
import importlib
import pandas as pd
from io import StringIO
import re


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_information_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'information'),
            "The `information` variable is declared.",
            "Expected `information` to be declared."
        )

    def test_info_method_is_used(self):
        with open('user_code.py', 'r') as file:
            user_code_source = file.read()

        _dynamic_test(
            self,
            re.search(r'\.info\s*\(', user_code_source),
            "The `info()` method is used.",
            "Expected the `info()` method to be used."
        )


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

test_main.py

Pandas är ett extremt användarvänligt bibliotek för dataanalys. Det är också utformat för att hantera stora datamängder, med hjälp av datastrukturer som DataFrame och Series. Detta gör det till ett ovärderligt verktyg för Data Science. I denna guide kommer du att bekanta dig med en rad statistiska funktioner, inklusive hur man hittar korrelationer, lägen, medianer och maximala och minimala värden inom en dataset. Du kommer också att lära dig hur man hanterar saknade värden och manipulerar specifika värden, samt hur man tar bort dem.

I det här avsnittet kommer vi att utforska grunderna i Series och DataFrame-strukturer. Du kommer också att lära dig om skillnaderna mellan dessa två typer av strukturer.

Data kan hämtas i olika format, såsom CSV, JSON, SQL, HTML och fler. Med Pandas är du inte begränsad till ett enda format — du kan arbeta med data från en mängd olika filtyper. I detta kapitel kommer vi specifikt att fokusera på CSV- och TXT-formaten.

Här kommer du att lära dig hur man bearbetar rådata genom att ta bort överflödig information och hantera nullvärden i en dataset.

Utforska Datasetet

Lösning

Awesome!

Utforska Datasetet

Lösning

Awesome!