Du kan också använda **negativ indexering** för att komma åt rader i DataFrame. Negativ indexering börjar från slutet av DataFrame: index `-1` pekar på den sista raden, `-2` på den näst sista, och så vidare.

För att komma åt den sjunde raden (som avser Latvia) kan du använda antingen index **6** eller **-1**.

import pandas

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 = pandas.DataFrame(countries_data)
# Accessing to the seventh row using negative indexing
print(countries.iloc[-1])

Att köra ovanstående kod returnerar raden som är markerad i bilden nedan:

import unittest
import importlib
import pandas as pd


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_A1_2017_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A1_2017'),
            "The variable `audi_A1_2017` is declared.",
            "Expected `audi_A1_2017` to be declared."
        )

    def test_audi_A1_2017_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A1_2017, pd.Series)
            failure_message = f"Expected `audi_A1_2017` to be a `Series`, but got `{type(user_code.audi_A1_2017).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A1_2017` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A1_2017` is a `Series`.",
            failure_message
        )

    def test_audi_A1_2017_is_correct(self):
        import user_code

        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[0]

        variable = 'audi_A1_2017'
        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
        )

    def test_audi_A1_2016_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A1_2016'),
            "The variable `audi_A1_2016` is declared.",
            "Expected `audi_A1_2016` to be declared."
        )

    def test_audi_A1_2016_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A1_2016, pd.Series)
            failure_message = f"Expected `audi_A1_2016` to be a `Series`, but got `{type(user_code.audi_A1_2016).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A1_2016` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A1_2016` is a `Series`.",
            failure_message
        )

    def test_audi_A1_2016_is_correct(self):
        import user_code
        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[-1]

        variable = 'audi_A1_2016'
        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
        )

    def test_audi_A3_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'audi_A3'),
            "The variable `audi_A3` is declared.",
            "Expected `audi_A3` to be declared."
        )

    def test_audi_A3_is_series(self):
        import user_code

        try:
            condition = isinstance(user_code.audi_A3, pd.Series)
            failure_message = f"Expected `audi_A3` to be a `Series`, but got `{type(user_code.audi_A3).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `audi_A3` variable is not declared."
        _dynamic_test(
            self,
            condition,
            "The variable `audi_A3` is a `Series`.",
            failure_message
        )

    def test_audi_A3_is_correct(self):
        import user_code

        cars_data = {'model': ['Audi A1', 'Audi A6', 'Audi A4', 'Audi A3', 'Audi A1'],
                     'year': [2017, 2016, 2017, 2019, 2016],
                     'fueltype': ['petrol', 'diesel', 'diesel', 'petrol', 'petrol'],
                     'price': [12500, 16500, 16800, 17300, 13900]}

        audi_cars = pd.DataFrame(cars_data)
        expected_value = audi_cars.iloc[3]

        variable = 'audi_A3'
        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 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 får du bekanta dig med olika statistiska funktioner, inklusive hur man hittar korrelationer, typvärden, medianer samt maximala och minimala värden i en datamängd. Du lär dig även hur man hanterar saknade värden och manipulerar specifika värden, samt hur man tar bort dem.

Fördjupa dig i grunderna för pandas-biblioteket. Skapa och manipulera Series och DataFrames, utforska deras struktur och stärk din förmåga att utföra grundläggande dataoperationer.

Bemästra hur du 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 på ett effektivt sätt. Förstå hur man hanterar saknade värden, extraherar insikter och utför grundläggande statistiska operationer med pandas.

Utmaning: Använda iloc[]

Lösning

Awesome!

Utmaning: Använda iloc[]

Lösning