Summary  
This chapter explains how to implement code that computes the mean, variance, and standard deviation of a data set by accumulating sums of squared deviations and applying the appropriate formulas.

General domain of usage  
Statistical data analysis

import unittest
import pandas as pd

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 TestVarianceStd(unittest.TestCase):
    def test_variance_std(self):
        # ÐÐ¼Ð¿Ð¾ÑÑ ÐºÐ¾ÑÐ¸ÑÑÑÐ²Ð°ÑÑÐºÐ¾Ð³Ð¾ ÑÑÑÐµÐ½Ð½Ñ
        import user_code

        # ÐÐ°Ð²Ð°Ð½ÑÐ°Ð¶ÑÑÐ¼Ð¾ ÑÑ ÑÐ°Ð¼Ñ Ð´Ð°Ð½Ñ
        df = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/ds_salaries_statistics',
            index_col=0
        )

        # ÐÐ±ÑÐ¸ÑÐ»ÑÑÐ¼Ð¾ Ð¾ÑÑÐºÑÐ²Ð°Ð½Ñ Ð·Ð½Ð°ÑÐµÐ½Ð½Ñ
        expected_var = df['salary'].var()
        expected_std = df['salary'].std()

        # ÐÐµÑÐµÐ²ÑÑÑÑÐ¼Ð¾ Ð· ÑÐ¾ÑÐ½ÑÑÑÑ Ð´Ð¾ 1e-6
        condition = (
            abs(user_code.var - expected_var) < 1e-6 and
            abs(user_code.std - expected_std) < 1e-6
        )

        _dynamic_test(
            self,
            condition,
            "The variance and standard deviation are calculated correctly.",
            "The variance and/or standard deviation are incorrect. Check your calculations."
        )

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.

Varianssin ja Keskihajonnan Laskeminen

Ratkaisu