Du kan også bruge **negativ indeksering** til at få adgang til rækker i DataFrame. Negativ indeksering starter fra slutningen af DataFrame: indeks `-1` peger på den sidste række, `-2` på den næstsidste, og så videre.

For at få adgang til den syvende række (som refererer til Letland), kan du bruge enten indeks **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])

Kørsel af ovenstående kode vil returnere rækken fremhævet i billedet nedenfor:

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 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 for Data Science. I denne guide vil du blive bekendt med en række statistiske funktioner, herunder hvordan man finder korrelationer, typetal, medianer samt maksimum- og minimumværdier inden for et datasæt. Du vil også lære, hvordan man håndterer manglende værdier og manipulerer specifikke værdier, samt hvordan man fjerner dem.

I denne sektion vil vi udforske grundlæggende elementer i Series- og DataFrame-strukturer. Du vil også lære om forskellene mellem disse to typer strukturer.

Data kan hentes i forskellige formater, såsom CSV, JSON, SQL, HTML og mere. Med Pandas er du ikke begrænset til et enkelt format — du kan arbejde med data på tværs af en lang række filtyper. I dette kapitel vil vi specifikt fokusere på CSV- og TXT-formaterne.

Her vil du lære, hvordan man behandler rådata ved at fjerne overflødig information og håndtere null-værdier i et datasæt.

Udfordring: Brug af iloc

Løsning

Awesome!

Udfordring: Brug af iloc

Løsning

Awesome!