Summary  
This chapter covers using string replacement on column values with `.str.replace()` and converting column types to numeric with `.astype()`.  

General domain of usage  
Data cleaning

Vous avez donc obtenu le résultat `object`. Cela signifie que le type de la colonne est non numérique, mais pour calculer les valeurs nécessaires, la colonne doit être numérique. Modifions cela.
1. Premièrement, il faut remplacer `-` par `.`. Pour cela, appliquez la méthode `.str.replace()` afin de remplacer le caractère dans la chaîne de la colonne du jeu de données. La syntaxe est  
`data['column_name'].str.replace('old_symbol','new_symbol')`  
Dans notre cas, `old_symbol` est `-`, et `.` est `new_symbol` ;
2. Ensuite, convertissez la colonne au type float de `data`. Pour cela, utilisez la méthode `.astype()`. La syntaxe est `data['column_name'].astype('type')`.  
Dans notre cas, le type est `'float'`.

import unittest
import pandas as pd
import io
import sys
import numpy as np


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)


class TestFareTransformation(unittest.TestCase):
    def test_fare_transformed_to_float(self):
        """
        1â2. Check that all '-' in 'Fare' were replaced with '.' and column converted to float.
        """
        import user_code

        # reference dataset
        url = "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic3.csv"
        df_ref = pd.read_csv(url, index_col=0)

        # user result
        assert hasattr(user_code, "data"), "Variable 'data' not found."
        df_user = user_code.data.copy()

        # ensure column exists
        assert "Fare" in df_user.columns, "Column 'Fare' missing in DataFrame."

        # condition 1: dtype is float
        dtype_correct = np.issubdtype(df_user["Fare"].dtype, np.floating)

        # condition 2: no '-' symbols remain (after conversion, values should all be numeric)
        # convert to string to check presence of '-'
        contains_hyphen = df_user["Fare"].astype(str).str.contains("-").any()
        condition = dtype_correct and not contains_hyphen

        _dynamic_test(
            self,
            condition,
            "The column 'Fare' was correctly cleaned (no '-') and converted to float type.",
            "The 'Fare' column still contains '-' or has not been converted to float."
        )


class TestOutput(unittest.TestCase):
    def test_output_dtype_printed(self):
        """
        3. Check that the data type of 'Fare' is printed.
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data["Fare"].dtypes)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = "float" in output_text.lower()
        _dynamic_test(
            self,
            condition,
            "The data type of the 'Fare' column is printed correctly as float.",
            "The output does not show the 'float' data type. Ensure you print data['Fare'].dtypes."
        )


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

test_code.py

Ce cours contient de nombreuses fonctions utiles pour un futur analyste de données. Vous découvrirez différentes méthodes d'extraction de données et pourrez même y appliquer des conditions. Ensuite, vous vous familiariserez avec les méthodes de regroupement des données. Vous apprendrez également à prétraiter les données. Chaque section dispose de son propre jeu de données, rendant le cours captivant.

Cette section vous apprendra à afficher des colonnes spécifiques par leurs titres ou indices. Vous découvrirez également les différentes méthodes de sélection des lignes par indices.

Ici, vous apprendrez à extraire des données répondant à des conditions spécifiques. Vous découvrirez également comment les combiner et même créer vos propres conditions.

Dans cette section, vous approfondirez vos connaissances sur la définition de différentes conditions de données. Vous apprendrez à vérifier si vos données figurent dans une liste de valeurs définies ou se situent entre deux valeurs. Vous découvrirez également comment identifier les valeurs les plus grandes et les plus petites.

Cette section est l'une des plus fascinantes du cours. Vous apprendrez ici à regrouper les données de différentes manières. Cela vous aidera à travailler en tant qu'analyste de données pour obtenir des informations sur des groupes de données spécifiques.

Cette section est l'une des plus importantes pour un analyste de données, car si les données contiennent des valeurs manquantes ou sont dans un format incorrect, il sera impossible de les exploiter. Ainsi, vous apprendrez ici comment traiter de telles valeurs inappropriées.

Gestion d'une Colonne Incorrecte

Solution

Awesome!

Gestion d'une Colonne Incorrecte

Solution