Summary  
Breaking down complex conditional logic into individual named boolean variables and then combining them with logical operators to produce clearer, more maintainable code.

General domain of usage  
Data analysis

Зробімо наш код зручнішим та читабельнішим. До речі, дуже важливо, щоб ваш код був зрозумілим для колег.



In this video, you will learn how to make your pandas code more readable and maintainable by separating complex conditions into clear, named variables before applying them with the `.loc[]` function. Watch a step-by-step walkthrough of filtering a DataFrame using multiple conditions, and see how breaking down each condition improves clarity. You will also see best practices for combining logical operators, making your code easier to understand for both you and your coworkers. This approach will help you write professional, beautiful code when working with real-world data in pandas.

Щоб спростити код, можна спочатку записати умову, а потім передати її у функцію `.loc[]`; розгляньте приклад з попереднього розділу:
```python
# The first way
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet', index_col = 0)
data_extracted = data.loc[(data['est_diameter_min'] > 3.5) & (data['hazardous'] == True)]

# The second way
import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet', index_col = 0)
condition_1 = data['est_diameter_min'] > 3.5
condition_2 = data['hazardous'] == True
data_extracted = data.loc[condition_1 & condition_2]
```

Перший і другий способи дають однаковий результат, але другий варіант набагато зрозуміліший, оскільки ви можете працювати з двома умовами окремо, а вираз у функції `.loc[]` займає менше місця.

import unittest
import pandas as pd
import io
import sys


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


def frames_equal_ignore_col_order(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ DataFrame Ð½ÐµÐ·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ Ð¿Ð¾ÑÑÐ´ÐºÑ ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº."""
    if set(df1.columns) != set(df2.columns):
        return False
    common_cols = sorted(df1.columns)
    df1_sorted = df1[common_cols].reset_index(drop=True)
    df2_sorted = df2[common_cols].reset_index(drop=True)
    return df1_sorted.equals(df2_sorted)


class TestConditions(unittest.TestCase):
    def test_condition_1(self):
        """
        1. 'condition_1' selects rows where 'est_diameter_min' < 0.01.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["est_diameter_min"] < 0.01
        condition = hasattr(user_code, "condition_1") and user_code.condition_1.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_1' is defined correctly for est_diameter_min < 0.01.",
            "'condition_1' is incorrect. Check your comparison for est_diameter_min."
        )

    def test_condition_2(self):
        """
        2. 'condition_2' selects rows where 'absolute_magnitude' > 20.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["absolute_magnitude"] > 20
        condition = hasattr(user_code, "condition_2") and user_code.condition_2.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_2' is defined correctly for absolute_magnitude > 20.",
            "'condition_2' is incorrect. Check your comparison for absolute_magnitude."
        )

    def test_condition_3(self):
        """
        3. 'condition_3' selects rows where 'hazardous' == False.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df["hazardous"] == False
        condition = hasattr(user_code, "condition_3") and user_code.condition_3.equals(ref)
        _dynamic_test(
            self,
            condition,
            "The variable 'condition_3' is defined correctly for hazardous == False.",
            "'condition_3' is incorrect. Check your equality condition for hazardous."
        )


class TestGeneralCondition(unittest.TestCase):
    def test_general_condition_result(self):
        """
        4. Apply the general condition: (condition_1 & condition_2) | condition_3.
        """
        import user_code
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/planet",
            index_col=0,
        )
        ref = df.loc[(df["est_diameter_min"] < 0.01) & (df["absolute_magnitude"] > 20) | (df["hazardous"] == False)]
        condition = (
            hasattr(user_code, "data_extracted")
            and isinstance(user_code.data_extracted, pd.DataFrame)
            and frames_equal_ignore_col_order(user_code.data_extracted, ref)
        )
        _dynamic_test(
            self,
            condition,
            "The general condition combining all three subconditions is implemented correctly.",
            "The general condition or filtering logic is incorrect. Check the use of '&' and '|'."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        5. Print the first few rows of the resulting DataFrame using .head().
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data_extracted.head())
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The output displays the first few rows of 'data_extracted' using .head().",
            "The 'data_extracted' DataFrame is not printed correctly. Use print(data_extracted.head())."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Цей курс містить багато корисних функцій для майбутнього аналітика даних. Ви ознайомитеся з різними способами вилучення даних та навіть зможете встановлювати умови для них. Після цього ви будете знайомі з методами групування даних. Також ви дізнаєтеся, як здійснювати попередню обробку даних. Кожен розділ має власний набір даних, що робить курс захопливим.

У цьому розділі ви дізнаєтеся, як виводити певні стовпці за їхніми назвами або індексами. Також ви ознайомитеся зі способами вибору рядків за індексами.

Тут ви дізнаєтеся, як витягувати дані, що відповідають певним умовам. Також ви навчитеся комбінувати ці умови та навіть створювати власні.

У цьому розділі ви розширите свої знання щодо встановлення різних умов для даних. Ви дізнаєтеся, як перевірити, чи знаходяться ваші дані у визначеному списку значень або між двома значеннями. Ви також навчитеся знаходити найбільші та найменші значення.

Цей розділ є одним із найцікавіших у курсі. Тут ви дізнаєтеся, як групувати дані різними способами. Це допоможе вам працювати як аналітик даних для отримання інформації про конкретні групи даних.

Цей розділ є одним із найважливіших для аналітика даних, оскільки якщо дані містять відсутні значення або неправильний формат, працювати з ними буде неможливо. Тому тут ви дізнаєтеся, як працювати з такими невідповідними значеннями.

Робимо Ваш Код Красивим

Рішення