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

Rakenna vahva tilastotieteen perusta Pythonin avulla. Opiskele keskeiset tilastolliset käsitteet ja sovella niitä NumPyn ja pandas-kirjastojen kautta. Siirry perusmittareista, kuten keskiarvosta ja varianssista, hypoteesitestaamiseen, luottamusväleihin ja datalähtöisiin oivalluksiin käytännön harjoitusten avulla.

Tutustu tilastotieteen keskeisiin periaatteisiin, kuten aineistotyyppeihin, keskilukuihin sekä keskeisiin eroihin otosten ja perusjoukkojen välillä.

Opi laskemaan ja tulkitsemaan keskiarvo, mediaani ja moodi Pythonin avulla. Harjoittele näitä operaatioita pandas-kirjastolla analysoidaksesi aitoja aineistoja.

Ymmärrys siitä, miten varianssi ja keskihajonta mittaavat aineiston hajontaa. Molempien laskeminen käsin ja Python-työkaluilla.

Perehdy siihen, miten kovarianssi ja korrelaatio kuvaavat muuttujien välisiä yhteyksiä. Harjoittele molempien mittareiden laskemista ja vertaamista Pythonilla.

Hallitse luottamusvälit populaatioparametrien arviointiin. Käytä NumPy-, pandas- ja visualisointikirjastoja luottamusvälien laskemiseen ja tulkintaan oikean datan avulla.

Opi hypoteesin testauksen ja t-testin perusteet. Ymmärrä, kuinka testejä suunnitellaan, suoritetaan ja tulkitaan Pythonin avulla tietoon perustuvien päätösten tueksi.

Kovarianssin ja Korrelaation Laskeminen

Ratkaisu

Kovarianssin ja Korrelaation Laskeminen

Ratkaisu