Summary  
This chapter explains how to use Pandas DataFrame and Series methods max(), min(), and mean() to calculate the highest, lowest, and average values of columns, and shows how to apply these methods to entire DataFrames or to individual columns.  

General domain of usage  
Data analysis

Explore how to use the `max()`, `min()`, and `mean()` methods in pandas to analyze your data. This video walks you through each method step by step, using clear examples with real DataFrames. You'll see how to quickly find the highest, lowest, and average values in your data, learn the difference between applying these methods to entire DataFrames versus specific columns, and understand how these tools help summarize and interpret your datasets efficiently. By the end, you'll be able to confidently use these essential pandas methods in your own projects.

`pandas` fornisce il metodo `max()`, che per impostazione predefinita restituisce il **valore più alto** di ogni colonna.

```python
df = pd.read_csv('file.csv')
max_values = df.max()
```


Per identificare il valore più alto di una colonna specifica, è possibile utilizzare questo approccio:

```python
df = pd.read_csv('file.csv')
max_value = df['column_name'].max()
```

Allo stesso modo, `pandas` offre il metodo `min()` che per impostazione predefinita restituisce il **valore più basso** di ogni colonna.

```python
df = pd.read_csv('file.csv')

min_values = df.min()
```

Per determinare il valore più piccolo di una particolare colonna, si utilizza lo stesso metodo:

```python
df = pd.read_csv('file.csv')

min_value = df['column_name'].min()
```

Allo stesso modo, `pandas` offre il metodo `mean()` che per impostazione predefinita restituisce il **valore medio** di ciascuna colonna.

```python
df = pd.read_csv('file.csv')

average_values = df.mean()
```

Per determinare il valore medio di una **particolare colonna**, si utilizza lo stesso metodo:

```python
df = pd.read_csv('file.csv')

average_value = df['column_name'].mean()
```

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

    def test_highest_price_is_correct(self):
        import user_code
        expected_value = max([12500, 16500, 16800, 17300, 16500])

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

        _dynamic_test(
            self,
            condition,
            f"The `highest_price` is `{expected_value}`.",
            failure_message
        )

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

    def test_lowest_price_is_correct(self):
        import user_code
        expected_value = min([12500, 16500, 16800, 17300, 16500])

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

        _dynamic_test(
            self,
            condition,
            f"`lowest_price` has correct value.",
            failure_message
        )

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

    def test_average_price_is_correct(self):
        import user_code
        expected_value = sum([12500, 16500, 16800, 17300, 16500]) / 5

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

        _dynamic_test(
            self,
            condition,
            "`average_price` has correct value.",
            failure_message
        )


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

test_main.py

Pandas è una libreria estremamente intuitiva per l'analisi dei dati. È inoltre progettata per gestire grandi insiemi di dati, utilizzando strutture dati come DataFrame e Series. Questo la rende uno strumento indispensabile per la Data Science. In questa guida, verranno presentate diverse funzioni statistiche, tra cui la ricerca di correlazioni, moda, mediane, valori massimi e minimi all'interno di un dataset. Verrà inoltre illustrato come gestire i valori mancanti e manipolare valori specifici, nonché come rimuoverli.

Approfondimento dei fondamenti della libreria pandas. Creazione e manipolazione di Series e DataFrame, esplorazione della loro struttura e sviluppo di competenze nelle operazioni fondamentali sui dati.

Apprendere come caricare e gestire dati da file CSV e TXT. Acquisire esperienza pratica nell'importazione di dataset e nella loro preparazione per ulteriori analisi utilizzando gli strumenti di pandas.

Imparare a esplorare, pulire e riassumere i dati in modo efficace. Comprendere come gestire i valori mancanti, estrarre informazioni e svolgere operazioni statistiche di base con pandas.

Max(), Min() e Mean()

Soluzione