import unittest
import importlib
import pandas as pd


# 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):

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

    def test_colors_is_series(self):
        import user_code
        try:
            actual_value = user_code.colors
            condition = isinstance(actual_value, pd.Series)
            failure_message = f"Expected `colors` to be a `Series`, but got `{type(user_code.colors).__name__}`."

        except AttributeError:
            condition = False
            failure_message = "The `colors` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The `colors` variable is a `Series`.",
            failure_message
        )

    def test_colors_contains_correct_data(self):
        import user_code
        expected_value = pd.Series(['Red', 'Black', 'Gray', 'Yellow', 'White', 'Green'])

        variable = 'colors'
        actual_value = getattr(user_code, variable, None)
        if actual_value is None:
            condition = False
            failure_message = f"The `{variable}` variable is not declared."
        elif isinstance(actual_value, pd.Series):
            condition = actual_value.equals(expected_value)
            if actual_value.empty:
                failure_message = f"`{variable}` is empty."
            else:
                failure_message = f"Expected `{variable}` to contain `{expected_value.values}`, but got `{actual_value.values}`."
        else:
            condition = False
            failure_message = f"`{variable}` is not a `Series`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct values.",
            failure_message
        )


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.

Utmaning: Skapa en Serie

Lösning

Awesome!

Utmaning: Skapa en Serie

Lösning

Awesome!