För att känna dig säker och framgångsrikt slutföra denna kurs, rekommenderar vi starkt att du **slutför följande kurser** i förväg (klicka bara på dem för att starta):

## Varför använda Pandas?

`pandas` är ett Python-bibliotek designat för databehandling och analys. Att bemästra detta bibliotek är fördelaktigt för **data scientists** och **data analysts**. Med `pandas` kan du sortera, filtrera, ändra och visualisera dina data, samt beräkna användbar statistik, vilket gör att du kan utföra en omfattande analys.

För att använda detta bibliotek måste du **importera** det.
```python
# Importing `pandas`
import pandas
```

För enkel användning är det vanligt att importera biblioteket med ett alias.
```python
# Importing `pandas` with an alias
import pandas as pd
```

I detta fall fungerar `pd` som ett alias. Så när du anropar funktioner från detta bibliotek i framtiden, skulle du göra det på följande sätt:
```python
# Importing `pandas` with an alias
import pandas as pd

# Using a function from `pandas`
pd.function()
```

import unittest
import importlib
import sys


# 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):

    # Test if `pandas` is imported in user_code.py
    def test_pandas_is_imported(self):
        import user_code
        pandas_imported = "pandas" in sys.modules
        condition = pandas_imported
        failure_message = "Expected `pandas` to be imported, but it is not imported."

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is imported.",
            failure_message
        )

    # Test if `pandas` is correctly assigned to `pd`
    def test_pandas_imported_as_pd(self):
        import user_code
        actual_value = getattr(user_code, "pd", None)

        if actual_value is None:
            condition = False
            failure_message = "Expected `pandas` to be imported as `pd`, but `pd` is not declared."
        elif actual_value.__name__ != "pandas":
            condition = False
            failure_message = f"Expected `pandas` to be imported as `pd`, but got `{actual_value.__name__}` imported as `pd`."
        else:
            condition = True
            failure_message = ''

        _dynamic_test(
            self,
            condition,
            "The `pandas` library is correctly imported as `pd`.",
            failure_message
        )


# Run the tests when executing the script
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.

Vad Är Pandas?

Varför använda Pandas?

Lösning