def test_count(data):
xpd = PanelData(data.x)
xpd.drop(xpd.isnull)
entity_mean = xpd.count("entity")
expected = xpd.dataframe.groupby(level=0).count()
expected = expected.loc[xpd.entities]
expected.columns.name = None
expected = expected.astype(np.int64)
assert_frame_equal(entity_mean, expected)
time_mean = xpd.count("time")
expected = xpd.dataframe.groupby(level=1).count()
expected = expected.loc[xpd.time]
expected.columns.name = None
expected = expected.astype(np.int64)
assert_frame_equal(time_mean, expected)
$$ dfp.shape * 変数の数：4（列にある変数） * 期間数：3（年） * 観察単位の数：3（国） --- データセットには欠損値がある場合がある。観察単位数が$N$で期間数が$T$の場合，観測値の数は$n=N\times T$となるが，次の2つを区別する。 * balanced panel data：$n=N\times T$（観察単位に対して全ての期間の全ての変数に欠損値がない） * unbalanced panel data：$n<N\times T$（欠損値がある） balanced か unbalancedかは以下のコードで確認できる。まず，メソッド`count()`を使う。 dfp.count() 観察単位（国）に対して，それぞれの変数に欠損値ではない観測値がいくつ存在するかを`DataFrame`として返す。期間数は3なので，3より低い数字があれば欠損値の存在を表す。例えば，Australiaの`inv`には欠損値がある。 次のコードは，欠損値がある場合には`True`を返す。ここで`nobs`は期間数（この場合3）を返す属性である。 dfp.count() == dfp.nobs `all()`は，列に対して全ての要素が`True`の場合のみ`True`を返すので，これを使い確認できる。 (dfp.count() == dfp.nobs).all() `( )`はその中を先に評価する，という意味（数学と同じ）。変数が多い場合，`all()`を2回使うと全ての変数に対して評価するので便利である。 (dfp.count() == dfp.nobs).all().all()
