Summary  
This chapter demonstrates how to add a new column at a specified index in a DataFrame by using the insert() method.

General domain of usage  
Data analysis

Utforska härnäst ett annat sätt att lägga till en kolumn i en `DataFrame` med hjälp av metoden `insert()`. Denna metod gör det möjligt att **ange positionen** för den nya kolumnen i `DataFrame`.


```python
df.insert(column_index, 'column_name', [value_1, value_2, value_3])
```

- `df`: namnet på den befintliga DataFrame;
- `insert()`: metoden som används för att lägga till nya kolumner;
- `column_index`: positionen där den nya kolumnen ska infogas (observera att indexeringen börjar på **0**);
- `column_name`: namnet på den nya kolumnen;
- `[value_1, value_2, value_3]`: värdena som kommer att fylla den nya kolumnen.

Fokusera på DataFrame:en `countries` och lägg till en ny kolumn med namnet `'population'`, som representerar ländernas befolkning, direkt efter den första kolumnen (`'country'`).


import pandas as pd
countries_data = {'country' : ['Thailand', 'Philippines', 'Monaco', 'Malta', 'Sweden', 'Paraguay', 'Latvia'],
          'continent' : ['Asia', 'Asia', 'Europe', 'Europe', 'Europe', 'South America', 'Europe'],
          'capital':['Bangkok', 'Manila', 'Monaco', 'Valletta', 'Stockholm', 'Asuncion', 'Riga']}
countries = pd.DataFrame(countries_data)

countries.insert(1, 'population', [61399000, 75967000, 39244, 380200, 10380491, 5496000, 2424200])
print(countries)

import unittest
import importlib


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

    def test_audi_cars_is_dataframe(self):
        import user_code
        import pandas as pd
        try:
            condition = isinstance(user_code.audi_cars, pd.DataFrame)
            failure_message = f"Expected `audi_cars` to be a `DataFrame`, but got `{type(user_code.audi_cars).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_cars` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `audi_cars` is a `DataFrame`.",
            failure_message
        )

    def test_audi_cars_columns_correct(self):
        import user_code
        try:
            expected_columns = ['model', 'year', 'price', 'fueltype']
            actual_columns = list(user_code.audi_cars.columns)
            condition = actual_columns == expected_columns
            failure_message = f"Expected `audi_cars` columns to be `{expected_columns}`, but got `{actual_columns}`."

        except TypeError:
            condition = False
            failure_message = f"`audi_cars` is not a `DataFrame`."

        except AttributeError:
            condition = False

            if not getattr(user_code, 'audi_cars', None):
                failure_message = "The `audi_cars` variable is not declared."
            else:
                failure_message = f"`audi_cars` is not a `DataFrame`."

        _dynamic_test(
            self,
            condition,
            f"`audi_cars` has the correct columns.",
            failure_message
        )

    def test_price_column_correct_values(self):
        import user_code
        expected_values = [12500, 16500, 16800, 17300, 13900]
        try:
            actual_values = user_code.audi_cars['price'].tolist()
            condition = actual_values == expected_values
            failure_message = f"Expected `price` column values to be `{expected_values}`, but got `{actual_values}`."

        except TypeError:
            condition = False
            failure_message = f"`audi_cars` is not a `DataFrame`."

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

        except KeyError:
            condition = False
            failure_message = "The `price` column is missing in the `audi_cars` `DataFrame`."

        _dynamic_test(
            self,
            condition,
            f"The `price` column contains the correct values.",
            failure_message
        )

    def test_insert_method_used(self):
        with open('user_code.py', 'r') as file:
            user_code_source = file.read()
        condition = ".insert(" in user_code_source
        failure_message = "Expected the `.insert()` method to be used to add the `'price'` column."

        _dynamic_test(
            self,
            condition,
            "The `.insert()` method is used to add the `'price'` column.",
            failure_message
        )


# Run the tests when executing the script
if __name__ == '__main__':
    unittest.main()

test_main.py

Pandas är ett mycket 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 inom Data Science. I denna guide kommer du att bekanta dig med olika statistiska funktioner, inklusive hur man hittar korrelationer, typvärden, medianer samt maximala och minimala värden i en datamängd. Du får även lära dig att hantera saknade värden och manipulera specifika värden, samt hur man tar bort dem.

Utforska grunderna i pandas-biblioteket. Skapa och manipulera Series och DataFrames, undersök deras struktur och stärk förståelsen för grundläggande dataoperationer.

Bemästra hur man läser in och hanterar data från CSV- och TXT-filer. Få praktisk erfarenhet av att importera dataset och förbereda dem för vidare analys med hjälp av pandas-verktyg.

Lär dig att utforska, rensa och sammanfatta data effektivt. Förstå hur man hanterar saknade värden, extraherar insikter och utför grundläggande statistiska operationer med pandas.

Infoga en Ny Kolumn

Lösning