Summary  
This chapter explains how to use the `.loc[]` attribute to select specific rows and columns from tabular data by specifying label-based ranges or lists.  

General domain of usage  
Data analysis

Du har nå gjennomgått de foregående kapitlene, og nå er det på tide å kombinere kunnskapen din. Du kan spesifisere både rader og kolonner; for å gjøre dette må du være kjent med attributtet `.loc[]`.

Denne funksjonen gir oss mulighet til å utføre mange ulike slicing-operasjoner, men for nå skal vi bare konsolidere kunnskapen fra de tidligere kapitlene.

Som vanlig, se på eksempelet og deretter på utdataene.

- `data.loc[2:5, ['Director', 'ReleaseYear']]` – viser rader med indeksene `2`, `3`, `4`, `5` (men husk at indeksene starter fra `0`) fra kolonnene `'Director'` og `'ReleaseYear'` (`.loc[]` inkluderer den siste indeksen du legger inn i `[]`);
- `data.loc[:5, ['Director', 'ReleaseYear']]` – viser rader med indeksene `0`, `1`, `2`, `3`, `4`, `5` fra kolonnene `'Director'` og `'ReleaseYear'`;
- `data.loc[997:, ['Director', 'ReleaseYear']]` – viser rader med indeksene `997`, `998`, `999` (`999` er indeksen til den siste raden) fra kolonnene `'Director'` og `'ReleaseYear'`;
- `data.loc[:, ['Director', 'ReleaseYear']]` eller  `data[['Director', 'ReleaseYear']]` – viser alle rader fra kolonnene `'Director'` og `'ReleaseYear'`.

import unittest
import pandas as pd

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 TestPandasImport(unittest.TestCase):
    def test_import_pandas_as_pd(self):
        """
        1. Import the pandas library with the pd alias.
        """
        import user_code
        condition = "pd" in user_code.__dict__ and user_code.pd is pd
        _dynamic_test(
            self,
            condition,
            "The pandas library is imported correctly with the alias 'pd'.",
            "Pandas is not imported correctly. Use 'import pandas as pd'."
        )


class TestCSVRead(unittest.TestCase):
    def test_csv_read(self):
        """
        2. Read the CSV file.
        """
        import user_code
        condition = hasattr(user_code, "data") and isinstance(user_code.data, pd.DataFrame)
        _dynamic_test(
            self,
            condition,
            "The CSV file is read correctly into the 'data' DataFrame.",
            "The CSV file is not read correctly or not assigned to 'data'."
        )


class TestDataExtraction(unittest.TestCase):
    def test_data_extracted_slice(self):
        """
        3. Assign to data_extracted variable correct slice.
        """
        import user_code
        df_user = user_code.data_extracted
        ref = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/IMDb_Data_final.csv"
        ).loc[15:85, ["Title", "Stars", "Category"]]
        condition = (
            isinstance(df_user, pd.DataFrame)
            and list(df_user.columns) == ["Title", "Stars", "Category"]
            and df_user.equals(ref)
        )
        _dynamic_test(
            self,
            condition,
            "The variable 'data_extracted' contains the correct rows and columns.",
            "The slice for 'data_extracted' is incorrect. Check the indices and column order."
        )


class TestOutput(unittest.TestCase):
    def test_print_output(self):
        """
        4. Output the data_extracted variable.
        """
        import user_code
        import io
        import sys

        captured_output = io.StringIO()
        sys.stdout = captured_output
        # re-run print part
        if hasattr(user_code, "data_extracted"):
            print(user_code.data_extracted)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue()
        condition = len(output_text.strip()) > 0
        _dynamic_test(
            self,
            condition,
            "The 'data_extracted' variable is printed as output.",
            "The 'data_extracted' variable is not printed. Use print(data_extracted)."
        )


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


test_code.py

Dette kurset inneholder mange nyttige funksjoner for en fremtidig dataanalytiker. Du vil lære ulike metoder for å hente ut data og til og med sette betingelser på dem. Etter dette vil du bli kjent med metoder for å gruppere data. Du vil også lære hvordan du forhåndsbehandler data. Hver seksjon har sitt eget datasett, noe som gjør kurset engasjerende.

Denne delen vil lære deg hvordan du kan hente ut spesifikke kolonner ved hjelp av titler eller indekser. Du vil også bli kjent med ulike metoder for å velge rader basert på indekser.

Her vil du lære hvordan du kan hente ut data som oppfyller spesifikke betingelser. Du vil også lære hvordan du kan kombinere dem og til og med lage dine egne.

I denne delen vil du utvide kunnskapen din om å sette ulike datakriterier. Du vil lære å kontrollere om dataene dine finnes i en definert liste med verdier eller mellom to verdier. Du vil også lære hvordan du finner de største og minste verdiene.

Denne delen er en av de mest interessante i kurset. Her lærer du hvordan du kan gruppere data på ulike måter. Dette vil hjelpe deg som dataanalytiker med å finne informasjon om spesifikke datagrupper.

Denne delen er en av de viktigste for en dataanalytiker fordi det vil være umulig å arbeide med data dersom de inneholder manglende verdier eller feil format. Her vil du lære hvordan du håndterer slike upassende verdier.

Velge Spesifikke Rader og Kolonner

Løsning

Awesome!

Velge Spesifikke Rader og Kolonner

Løsning