Summary  
Demonstrates how to calculate a pairwise correlation matrix for numerical columns in a DataFrame using the .corr() method and how to interpret its values from –1 to 1.  

General domain of usage  
Real estate data analysis

Finalmente, pasemos al último método de esta sección llamado `.corr()`. Es de gran utilidad para encontrar la relación entre datos numéricos. Imagina que tienes un conjunto de datos sobre casas:

Examinemos el resultado de `data.corr()` en nuestro caso:

Procedamos paso a paso:
Se tienen valores verticales y horizontales; cada par se superpone. En cada superposición, se puede obtener un valor de -1 a 1.
- **1** indica que dos valores dependen entre sí de manera directamente proporcional (si un valor aumenta, el otro también aumenta);
- **-1** indica que dos valores dependen entre sí de manera inversamente proporcional (si un valor aumenta, el otro disminuye);
- **0** indica que los dos valores dependientes no son proporcionales.

Si el conjunto de datos contiene **columnas no numéricas**, como en el conjunto de datos `cars.csv` utilizado en la tarea, se debe establecer el argumento `numeric_only=True` para calcular la correlación utilizando únicamente las columnas numéricas.

Nota

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)


def frames_equal(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ DataFrame Ð· ÑÑÐ°ÑÑÐ²Ð°Ð½Ð½ÑÐ¼ Ð¿Ð¾ÑÑÐ´ÐºÑ ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº (Ð´Ð»Ñ ÐºÐ¾ÑÐµÐ»ÑÑÑÐ¹ ÑÐµ Ð²Ð°Ð¶Ð»Ð¸Ð²Ð¾)."""
    try:
        return df1.equals(df2)
    except Exception:
        return False


class TestCorrelation(unittest.TestCase):
    def test_corr_applied(self):
        """
        1. Apply the .corr() function to the dataset with numeric_only=True.
        """
        import user_code

        # Ð·Ð°Ð²Ð°Ð½ÑÐ°Ð¶ÑÑÐ¼Ð¾ Ð¾ÑÐ¸Ð³ÑÐ½Ð°Ð»ÑÐ½Ñ Ð´Ð°Ð½Ñ
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/cars.csv",
            index_col=0,
        )
        ref_corr = df.corr(numeric_only=True)

        # ÐºÐ¾ÑÐ¸ÑÑÑÐ²Ð°Ñ Ð¼Ð¾Ð¶Ðµ Ð¾Ð´ÑÐ°Ð·Ñ Ð½Ð°Ð´ÑÑÐºÑÐ²Ð°ÑÐ¸ Ð°Ð±Ð¾ Ð·Ð±ÐµÑÐµÐ³ÑÐ¸ Ñ Ð·Ð¼ÑÐ½Ð½Ñ
        user_corr = None
        if hasattr(user_code, "data_corr"):
            user_corr = user_code.data_corr
        else:
            # Ð¿ÑÐ¾Ð±ÑÑÐ¼Ð¾ Ð²Ð¸ÐºÐ»Ð¸ÐºÐ°ÑÐ¸ Ð½Ð°Ð¿ÑÑÐ¼Ñ
            try:
                user_corr = user_code.data.corr(numeric_only=True)
            except Exception:
                user_corr = None

        condition = isinstance(user_corr, pd.DataFrame) and frames_equal(user_corr, ref_corr)
        _dynamic_test(
            self,
            condition,
            "The .corr() method is correctly applied to the dataset with numeric_only=True.",
            "The correlation matrix is incorrect or not created using .corr(numeric_only=True)."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        2. Output the correlation matrix.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.corr(numeric_only=True))
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The correlation matrix is printed successfully.",
            "The correlation matrix is not printed. Use print(data.corr(numeric_only=True))."
        )


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

test_code.py

Este curso contiene muchas funciones útiles para un futuro analista de datos. Aprenderá diferentes formas de extraer datos e incluso establecer condiciones sobre ellos. Después de esto, estará familiarizado con los métodos de agrupación de datos. Además, aprenderá cómo preprocesar datos. Cada sección tiene su propio conjunto de datos, lo que hace que el curso sea interesante.

Esta sección le enseñará cómo mostrar columnas específicas por sus títulos o índices. Además, se familiarizará con las formas en que puede seleccionar filas por sus índices.

Aquí aprenderá a extraer datos que cumplen condiciones específicas. Además, aprenderá a combinarlas e incluso a crear las suyas propias.

En esta sección, ampliará su conocimiento sobre el establecimiento de diferentes condiciones de datos. Aprenderá a verificar si sus datos se encuentran en una lista definida de valores o entre dos valores. También aprenderá a encontrar los valores más grandes y más pequeños.

Esta sección es una de las más fascinantes del curso. Aquí aprenderá cómo agrupar datos de diferentes maneras. Le ayudará a trabajar como analista de datos para obtener información sobre grupos de datos específicos.

Esta sección es una de las más significativas para un analista de datos, ya que si los datos contienen valores faltantes o en un formato incorrecto, será imposible trabajar con ellos. Por lo tanto, aquí aprenderá cómo tratar dichos valores inapropiados.

Encontrar la Correlación

Solución

Awesome!

Encontrar la Correlación

Solución