Summary  
This chapter shows how to use a DataFrame’s rename() method to change one or more column names and then inspect the updated names via the columns attribute.  

General domain of usage  
Data analysis

I föregående kapitel hanterade du felaktiga värden i en kolumn. Det är ett utmärkt tillfälle att åtgärda eventuella ändringar. I vårt fall kan vi byta namn på kolumnen för att markera att den har ändrats.

För att byta namn på en kolumn används metoden `.rename()`. Se exemplet där vi byter namn på kolumnen `'Survived'` och sedan skriver ut kolumnnamnen.

import pandas as pd
data = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic4.csv', index_col = 0)
data.rename(columns = {'Survived': 'Survived_Passenger'}, inplace = True)
print(data.columns)

**Förklaring:**

```python
.rename(columns = {'Survived': 'Survived_Passenger'}, inplace = True)
```
- `.rename()` – en metod som används på datasettet för att byta namn på kolumner;
- `columns = {'Survived': 'Survived_Passenger'}` – inom klamrarna anger du alla kolumner och deras nya namn. I detta fall bytte vi bara namn på en kolumn, men du kan ange flera här separerade med kommatecken.

`.columns` – ett attribut som skriver ut kolumnnamnen. I vårt fall syns inte längre kolumnnamnet `'Survived'`.

import unittest
import pandas as pd
import io
import sys


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 TestRenameColumn(unittest.TestCase):
    def test_column_renamed(self):
        """
        1. Check that the column 'Fare' was renamed to 'Fare_fixed'.
        """
        import user_code

        url = "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/titanic4.csv"
        df_ref = pd.read_csv(url, index_col=0)

        assert hasattr(user_code, "data"), "Variable 'data' not found."
        df_user = user_code.data

        # Check if 'Fare_fixed' present and 'Fare' removed
        condition = "Fare_fixed" in df_user.columns and "Fare" not in df_user.columns
        _dynamic_test(
            self,
            condition,
            "The column 'Fare' has been successfully renamed to 'Fare_fixed'.",
            "The column renaming is incorrect. Ensure you renamed 'Fare' to 'Fare_fixed' with inplace=True."
        )


class TestOutput(unittest.TestCase):
    def test_output_columns(self):
        """
        2. Check that all column names were printed.
        """
        import user_code

        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.columns)
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = "Fare_fixed" in output_text
        _dynamic_test(
            self,
            condition,
            "The column names are printed correctly and include 'Fare_fixed'.",
            "The output is missing or incorrect. Ensure you print(data.columns)."
        )


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


test_code.py

Denna kurs innehåller många användbara funktioner för en blivande dataanalytiker. Du kommer att lära dig olika sätt att extrahera data och även sätta villkor på den. Därefter kommer du att bli bekant med metoder för att gruppera data. Du kommer också att lära dig hur man förbehandlar data. Varje avsnitt har sin egen datamängd, vilket gör kursen engagerande.

Detta avsnitt lär dig hur du kan visa specifika kolumner med hjälp av deras titlar eller index. Du kommer även att bekanta dig med metoder för att välja rader baserat på index.

Här kommer du att lära dig hur du extraherar data som uppfyller specifika villkor. Du kommer även att lära dig hur du kombinerar dessa och till och med skapa egna.

I det här avsnittet kommer du att fördjupa dina kunskaper om att ange olika datavillkor. Du kommer att lära dig att kontrollera om dina data finns i en definierad lista av värden eller mellan två värden. Du kommer även att lära dig hur du hittar de största och minsta värdena.

Detta avsnitt är ett av de mest fascinerande i kursen. Här får du lära dig hur man grupperar data på olika sätt. Det hjälper dig att arbeta som dataanalytiker för att ta fram information om specifika datagrupper.

Detta avsnitt är ett av de mest betydelsefulla för en dataanalytiker eftersom det blir omöjligt att arbeta med data om den innehåller saknade värden eller felaktigt format. Här lär du dig hur du hanterar sådana olämpliga värden.

Byta Namn på Kolumnen

Lösning

Awesome!

Byta Namn på Kolumnen

Lösning