import unittest
import user_code
import ast
import re   
import importlib
import csv
import polars as pl

class TestTask(unittest.TestCase):
    def setUp(self):
        # Updated to match the exact column names expected by your solution
        self.df = pl.DataFrame({
            "Name": ["Portal 2", "Counter-Strike", "Dota 2"],
            "Positive": [90, 80, 50],
            "Negative": [10, 20, 50]
        })

    def test_positive_ratio_column_exists(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, "calculate_positive_ratio", None)
        _dynamic_test(
            self,
            callable(func),
            "calculate_positive_ratio function exists and is callable.",
            "calculate_positive_ratio function is missing or not callable."
        )
        result = func(self.df)
        _dynamic_test(
            self,
            result is not None and "Positive Ratio" in result.columns,
            "Returned DataFrame contains 'Positive Ratio' column.",
            "Returned DataFrame is missing 'Positive Ratio' column."
        )

    def test_positive_ratio_values_correct(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, "calculate_positive_ratio", None)
        result = func(self.df)
        
        # Expected ratios: 90/100 = 0.9, 80/100 = 0.8, 50/100 = 0.5
        expected = [0.9, 0.8, 0.5]
        if result is not None and "Positive Ratio" in result.columns:
            actual = result["Positive Ratio"].to_list()
            # Checking with tolerance for floating-point values
            is_correct = all(abs(a - b) < 1e-5 for a, b in zip(actual, expected))
            _dynamic_test(
                self,
                is_correct,
                "'Positive Ratio' column contains correct proportional values.",
                f"'Positive Ratio' values incorrect. Expected: {expected}, Got: {actual}"
            )
        else:
            _dynamic_test(self, False, "", "Result missing 'Positive Ratio' column.")

    def test_context_behavior_preserves_columns(self):
        import user_code
        importlib.reload(user_code)
        func = getattr(user_code, "calculate_positive_ratio", None)
        result = func(self.df)
        if result is not None:
            # Enforce that it used with_columns (keeps everything) rather than select (drops unmentioned columns)
            # Updated to match your expected input column names
            for col in ["Name", "Positive", "Negative"]:
                _dynamic_test(
                    self,
                    col in result.columns,
                    f"Context verification passed: Column '{col}' was preserved.",
                    f"Context verification failed: Column '{col}' is missing. Did you accidentally use .select() instead of .with_columns()?"
                )
        else:
            _dynamic_test(self, False, "", "Returned DataFrame is None.")

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)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\s{2,}", " ", text)
    text = re.sub(r"\s*([,:?])\s*", r"\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    if not assign_nodes:
        return code

    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    # verbosity=2 ensures dynamic names are printed to standard output
    unittest.main(verbosity=2)

test_main.py

Практичний курс середнього рівня для розробників Python, спрямований на опанування обробки даних за допомогою Polars із використанням реальних наборів даних Steam-ігор. Вивчення колонкового підходу Polars, вибірки, агрегації, об'єднання, зміни форми даних, а також основних операцій зі строками, датами та відсутніми значеннями.

Дослідження основних відмінностей між Polars та традиційними DataFrame на основі рядків з акцентом на колонкові операції, вибірку та умовну логіку з використанням набору даних ігор Steam.

Отримайте ґрунтовне розуміння можливостей паралельного групування, агрегації, об'єднання та зміни форми даних у Polars на прикладі наборів даних Steam games та spy insights.

Ознайомтеся з основами очищення даних: нормалізація тексту, розбір дат і надійна обробка відсутніх значень у Polars.

Challenge: Core Contexts Select vs With_Columns

Рішення