Hvis et datasæt indeholder rækker med null-værdier, bør du overveje at fjerne dem. I `pandas` kan dette gøres ved hjælp af metoden `dropna()`.


import unittest
import importlib


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

    def test_length_before_is_int(self):
        import user_code

        try:
            condition = isinstance(user_code.length_before, int)
            failure_message = f"Expected `length_before` to be `int`, but got `{type(user_code.length_before).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `length_before` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `length_before` is `int`.",
            failure_message
        )

    def test_length_before_is_correct(self):
        import user_code

        expected_value = 456

        try:
            condition = user_code.length_before == expected_value
            failure_message = f"Expected `length_before` to be `{expected_value}`, but got `{user_code.length_before}`."
        except AttributeError:
            condition = False
            failure_message = "The `length_before` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`length_before` contains the correct value.",
            failure_message
        )

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

    def test_length_after_is_int(self):
        import user_code

        try:
            condition = isinstance(user_code.length_after, int)
            failure_message = f"Expected `length_after` to be `int`, but got `{type(user_code.length_after).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `length_after` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `length_after` is `int`.",
            failure_message
        )

    def test_length_after_is_correct(self):
        import user_code

        expected_value = 450

        try:
            condition = user_code.length_after == expected_value
            failure_message = f"Expected `length_after` to be `{expected_value}`, but got `{user_code.length_after}`."
        except AttributeError:
            condition = False
            failure_message = "The `length_after` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`length_after` contains the correct value.",
            failure_message
        )

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

    def test_length_before_greater_than_length_after(self):
        import user_code

        try:
            condition = user_code.length_before > user_code.length_after
            failure_message = f"Expected `length_before` to be greater than `length_after`, but got `length_before`: {user_code.length_before}, `length_after`: {user_code.length_after}."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'length_before', None):
                failure_message = "The `length_before` variable is not declared."
            else:
                failure_message = "The `length_after` variable is not declared."
        _dynamic_test(
            self,
            condition,
            f"`length_before` is greater than `length_after`.",
            failure_message
        )

    def test_wine_data_has_no_nulls(self):
        import user_code

        try:
            condition = not user_code.wine_data.isnull().values.any()
            failure_message = "Expected `wine_data` to have no null values, but null values are still present."
        except AttributeError:
            condition = False
            if not getattr(user_code, 'wine_data', None):
                failure_message = "The `wine_data` variable is not declared."
            else:
                failure_message = f"`wine_data` is not a `DataFrame`."
        _dynamic_test(
            self,
            condition,
            "`wine_data` has no null values after cleaning.",
            failure_message
        )


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

test_main.py

Pandas er et yderst brugervenligt bibliotek til dataanalyse. Det er også designet til at håndtere store datasæt ved hjælp af datastrukturer som DataFrame og Series. Dette gør det til et uvurderligt værktøj inden for Data Science. I denne guide bliver du introduceret til en række statistiske funktioner, herunder hvordan man finder korrelationer, typetal, medianer samt maksimum- og minimumsværdier i et datasæt. Du lærer også, hvordan man håndterer manglende værdier og manipulerer specifikke værdier, samt hvordan man fjerner dem.

Dyk ned i grundlæggende elementer i pandas-biblioteket. Opret og manipulér Series og DataFrames, undersøg deres struktur, og opbyg fortrolighed med udførelse af essentielle dataoperationer.

Opnå færdigheder i at indlæse og håndtere data fra CSV- og TXT-filer. Få praktisk erfaring med at importere datasæt og forberede dem til videre analyse ved hjælp af pandas-værktøjer.

Lær at udforske, rense og opsummere data effektivt. Forstå håndtering af manglende værdier, udtrækning af indsigter og udførelse af grundlæggende statistiske operationer med pandas.

Udfordring: Fjernelse af Null-værdier

Løsning

Awesome!

Udfordring: Fjernelse af Null-værdier

Løsning