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 Pythonilla. Opiskele keskeiset tilastolliset käsitteet ja sovella niitä NumPyn ja pandasin avulla. Siirry perusmittareista, kuten keskiarvosta ja varianssista, hypoteesitesteihin, luottamusväleihin ja datalähtöisiin oivalluksiin käytännön harjoitusten kautta.

Tutustu tilastotieteen keskeisiin periaatteisiin, mukaan lukien tietotyypit, keskiluvut sekä keskeiset erot otosten ja perusjoukkojen välillä.

Opi laskemaan ja tulkitsemaan keskiarvo, mediaani ja moodi Pythonilla. Harjoittele näitä operaatioita pandas-kirjastolla analysoidaksesi oikeita tietoaineistoja.

Ymmärrä, miten varianssi ja keskihajonta mittaavat aineiston hajontaa. Opiskele laskemaan molemmat sekä käsin että Python-työkaluilla.

Tutustu siihen, miten kovarianssi ja korrelaatio kuvaavat muuttujien välisiä suhteita. Harjoittele molempien mittareiden laskemista ja vertailua Pythonilla.

Hallitse luottamusvälit populaatioparametrien arvioimiseksi. Käytä NumPya, pandas-kirjastoa 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 tukemiseksi.

Kovarianssin ja Korrelaation Laskeminen

Ratkaisu