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

Erwerb einer soliden Grundlage in Statistik mit Python. Vermittlung grundlegender statistischer Konzepte und deren Anwendung mit NumPy und pandas. Von grundlegenden Kennzahlen wie Mittelwert und Varianz bis hin zu Hypothesentests, Konfidenzintervallen und datengestützten Erkenntnissen mit praxisnahen Übungen.

Erkunden Sie grundlegende statistische Prinzipien, einschließlich Datentypen, Maße der zentralen Tendenz und wesentliche Unterschiede zwischen Stichproben und Grundgesamtheiten.

Erlernen der Berechnung und Interpretation von Mittelwert, Median und Modus mit Python. Anwendung dieser Operationen mit pandas zur Analyse realer Datensätze.

Verstehen, wie Varianz und Standardabweichung die Streuung von Daten messen. Berechnung beider Werte manuell und mit Python-Werkzeugen.

Untersuchung, wie Kovarianz und Korrelation Beziehungen zwischen Variablen beschreiben. Berechnung und Vergleich beider Kennzahlen in Python anwenden.

Sicheres Beherrschen von Konfidenzintervallen zur Schätzung von Populationsparametern. Verwendung von NumPy, pandas und Visualisierungsbibliotheken zur Berechnung und Interpretation von Intervallen mit realen Daten.

Erlernen der Grundlagen von Hypothesentests und des t-Tests. Verständnis für die Planung, Durchführung und Interpretation von Tests mit Python zur Unterstützung datenbasierter Entscheidungen.

Kovarianz und Korrelation Berechnen

Lösung