Summary  
This chapter covers how to explore numerical data distributions by creating histograms and overlaying kernel density estimate curves using Seaborn’s `histplot` function in Python.

General domain of usage  
Data science exploratory analysis

Bevor aussagekräftige Schlussfolgerungen aus einem Datensatz gezogen werden können, ist es notwendig, dessen Struktur und zentrale Merkmale zu verstehen. Dieser Prozess wird als **Datenexploration** bezeichnet. Er umfasst die Betrachtung der Daten aus verschiedenen Perspektiven, die Zusammenfassung der wichtigsten Eigenschaften sowie die Visualisierung relevanter Muster. Die Datenexploration unterstützt dabei, Trends, Ausreißer und potenzielle Probleme zu erkennen, bevor eine weitergehende statistische Analyse erfolgt.

Eines der nützlichsten Werkzeuge zur Untersuchung numerischer Daten ist das **Histogramm**. Ein Histogramm ist eine Art Balkendiagramm, das zeigt, wie häufig verschiedene Wertebereiche im Datensatz auftreten. Jeder Balken steht für einen Wertebereich (sogenannter "Bin"), und die Höhe des Balkens gibt an, wie viele Datenpunkte in diesen Bereich fallen. Histogramme ermöglichen es, Verteilung, Zentrum und Streuung der Daten auf einen Blick zu erfassen.

In Python lassen sich Histogramme schnell mit der Funktion `histplot` aus der **seaborn**-Bibliothek erstellen. Die Funktion `histplot` nimmt die Daten und stellt deren Verteilung als Histogramm dar. Zusätzlich kann eine **Kernel-Dichteschätzung** (KDE) zum Diagramm hinzugefügt werden, die eine geglättete Annäherung an die Verteilung der Daten bietet. Dies erleichtert das Verständnis der zugrunde liegenden Muster in den Daten.

In den folgenden Aufgaben wird die Funktion `histplot` verwendet, um die Verteilung der Körpermassen von Pinguinen zu visualisieren. Dies unterstützt die Exploration des Datensatzes und dient als Vorbereitung für weiterführende statistische Analysen.

import unittest
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

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 TestDataReading(unittest.TestCase):
    def test_data_loaded(self):
        import user_code

        expected_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/section_1/confidence.csv',
            index_col=0
        )

        condition = (
            isinstance(user_code.data, pd.DataFrame)
            and user_code.data.shape == expected_data.shape
        )

        _dynamic_test(
            self,
            condition,
            "The CSV file is correctly read into the 'data' variable.",
            "The CSV file is not read correctly into the 'data' variable."
        )


class TestPlot(unittest.TestCase):
    def test_histplot(self):
        import user_code

        # ÐÐµÑÐµÐ²ÑÑÑÑÐ¼Ð¾, ÑÐ¸ ÑÑÐ²Ð¾ÑÐµÐ½Ð¾ Ð³ÑÐ°ÑÑÐº Ð· seaborn.histplot
        plot_obj = user_code.plot

        condition = (
            hasattr(plot_obj, "get_xlabel")
            and plot_obj.get_xlabel() == "The Mass"
            and plot_obj.get_ylabel() == "The Quantity"
        )

        _dynamic_test(
            self,
            condition,
            "The histplot is created with correct parameters.",
            "The histplot parameters are incorrect."
        )


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.

Den Datensatz Untersuchen

Lösung