Summary  
This chapter explains how to implement code that calculates covariance and correlation coefficients to quantify the linear relationship between numerical data sets.  

General domain of usage  
Data analysis

import unittest
import pandas as pd
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 TestCovariance(unittest.TestCase):
    def test_covariance(self):
        import user_code

        df = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/Stores.csv'
        )

        expected_cov = np.cov(df['Daily_Customer_Count'], df['Items_Available'])[0, 1]

        condition = abs(user_code.cov - expected_cov) < 1e-6

        _dynamic_test(
            self,
            condition,
            "The covariance is calculated correctly.",
            "The covariance is incorrect. Check your calculation."
        )


class TestCorrelation(unittest.TestCase):
    def test_correlation(self):
        import user_code

        df = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/Stores.csv'
        )

        expected_corr = np.corrcoef(df['Daily_Customer_Count'], df['Items_Available'])[0, 1]

        condition = abs(user_code.corr - expected_corr) < 1e-6

        _dynamic_test(
            self,
            condition,
            "The correlation is calculated correctly.",
            "The correlation is incorrect. Check your calculation."
        )


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


test_code.py

Opbyg et solidt fundament i statistik ved hjælp af Python. Lær essentielle statistiske begreber og anvend dem gennem NumPy og pandas. Gå fra grundlæggende mål som gennemsnit og varians til hypotesetest, konfidensintervaller og datadrevne indsigter med praktiske øvelser.

Opdag centrale statistiske principper, herunder datatyper, mål for central tendens og væsentlige forskelle mellem stikprøver og populationer.

Lær at beregne og fortolke gennemsnit, median og typetal ved hjælp af Python. Øv disse operationer med pandas for at analysere virkelige datasæt.

Forstå, hvordan varians og standardafvigelse måler dataspredning. Lær at beregne begge dele manuelt og ved hjælp af Python-værktøjer.

Undersøg, hvordan kovarians og korrelation beskriver relationer mellem variable. Øv beregning og sammenligning af begge metrikker i Python.

Behersk konfidensintervaller til at estimere populationsparametre. Brug NumPy, pandas og visualiseringsbiblioteker til at beregne og fortolke intervaller med virkelige data.

Lær det grundlæggende om hypoteseprøvning og t-testen. Forstå, hvordan man designer, udfører og fortolker tests ved hjælp af Python til at understøtte datadrevne beslutninger.

Beregn Kovarians og Korrelation

Løsning

Beregn Kovarians og Korrelation

Løsning