Summary  
This chapter explains how to compute descriptive statistics—mean, mode, and summary metrics—on tabular data using built-in methods.  

General domain of usage  
Data analysis

Get a visual walkthrough of how to use pandas methods such as mean(), mode(), and describe() to analyze your data. This video demonstrates calculating averages, finding the most common values, and summarizing key statistics in your dataset. You'll see practical examples of each method, helping you understand how to quickly extract meaningful insights from your data using pandas.

`pandas` propose la méthode pratique `mean()` qui calcule la **moyenne** de toutes les valeurs pour chaque colonne.
```python
df = pd.read_csv(file.csv)
mean_values = df.mean()
```

Vous pouvez également utiliser la même méthode pour déterminer la valeur moyenne d'une colonne spécifique :
```python
df = pd.read_csv(file.csv)
mean_values = df['column_name'].mean()
```

`pandas` fournit également la méthode `mode()`, qui identifie la **valeur la plus fréquente** dans chaque colonne.
```python
df = pd.read_csv(file.csv)
mode_values = df.mode()
```

Pour trouver la valeur modale d'une colonne particulière, la même méthode est utilisée :
```python
df = pd.read_csv(file.csv)
mode_values = df['column_name'].mode()[0]
```

Utiliser `[0]` après `.mode()` pour extraire la première valeur si plusieurs modes existent. Sans cela, la méthode retourne une `Series` entière.


Remarque

Une autre méthode utile dans `pandas` est `describe()`.
```python
df = pd.read_csv(file.csv)
important_metrics = df.describe()
```

Cette méthode fournit un **aperçu de diverses mesures** issues du jeu de données, notamment :
- Nombre total d'entrées ;
- Valeur moyenne ou moyenne arithmétique ;
- Écart type ;
- Les valeurs minimale et maximale ;
- Les 25e, 50e (médiane) et 75e percentiles.

import unittest
import importlib
import pandas as pd


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


def get_first_differing_row(expected_df, actual_df):
    expected_list = expected_df.astype(str).apply(tuple, axis=1)
    actual_list = actual_df.astype(str).apply(tuple, axis=1)

    for i, (row1, row2) in enumerate(zip(expected_list, actual_list)):
        if row1 != row2:
            return i, expected_df.iloc[i].values, actual_df.iloc[i].values

    if len(expected_df) > len(actual_df):
        return len(actual_df), expected_df.iloc[len(actual_df)].values, None
    else:
        return len(expected_df), None, actual_df.iloc[len(expected_df)].values


class TestUserCode(unittest.TestCase):

    def test_residual_sugar_mean_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'residual_sugar_mean'),
            "The `residual_sugar_mean` variable is declared.",
            "Expected `residual_sugar_mean` to be declared."
        )

    def test_residual_sugar_mean_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_value = wine_data['residual sugar'].mean()

        try:
            condition = user_code.residual_sugar_mean == expected_value
            failure_message = f"Expected `residual_sugar_mean` to be `{expected_value}`, but got `{user_code.residual_sugar_mean}`."
        except AttributeError:
            condition = False
            failure_message = "The `residual_sugar_mean` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`residual_sugar_mean` contains the correct value.",
            failure_message
        )

    def test_fixed_acidity_mode_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'fixed_acidity_mode'),
            "The `fixed_acidity_mode` variable is declared.",
            "Expected `fixed_acidity_mode` to be declared."
        )

    def test_fixed_acidity_mode_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_value = wine_data['fixed acidity'].mode()[0]

        try:
            condition = user_code.fixed_acidity_mode == expected_value
            failure_message = f"Expected `fixed_acidity_mode` to be `{expected_value}`, but got `{user_code.fixed_acidity_mode}`."
        except AttributeError:
            condition = False
            failure_message = "The `fixed_acidity_mode` variable is not declared."

        _dynamic_test(
            self,
            condition,
            f"`fixed_acidity_mode` contains the correct value.",
            failure_message
        )

    def test_described_data_is_declared(self):
        import user_code
        _dynamic_test(
            self,
            hasattr(user_code, 'described_data'),
            "The `described_data` variable is declared.",
            "Expected `described_data` to be declared."
        )

    def test_described_data_is_dataframe(self):
        import user_code

        try:
            condition = isinstance(user_code.described_data, pd.DataFrame)
            failure_message = f"Expected `described_data` to be a `DataFrame`, but got `{type(user_code.described_data).__name__}`."
        except AttributeError:
            condition = False
            failure_message = "The `described_data` variable is not declared."

        _dynamic_test(
            self,
            condition,
            "The variable `described_data` is a `DataFrame`.",
            failure_message
        )

    def test_described_data_is_correct(self):
        import user_code

        wine_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a43d24b6-df61-4e11-9c90-5b36552b3437/wine.csv')
        expected_df = wine_data.describe()

        variable = 'described_data'
        actual_df = getattr(user_code, variable, None)
        condition = False
        if actual_df is None:
            failure_message = f"The `{variable}` variable is not declared."
        elif not isinstance(actual_df, pd.DataFrame):
            failure_message = f"`{variable}` is not a `DataFrame`."
        elif actual_df.empty:
            failure_message = f"`{variable}` is empty."
        elif actual_df.equals(expected_df):
            condition = True
            failure_message = None
        else:
            idx, expected_row, actual_row = get_first_differing_row(expected_df, actual_df)
            failure_message = f"Expected `{variable}` to contain `{expected_row}` at row {idx}, but got `{actual_row}`."

        _dynamic_test(
            self,
            condition,
            f"`{variable}` contains the correct statistical summary.",
            failure_message
        )


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

test_main.py

Pandas est une bibliothèque extrêmement conviviale pour l'analyse de données. Elle est également conçue pour gérer de grands ensembles de données, en utilisant des structures telles que DataFrame et Series. Cela en fait un outil inestimable pour la Data Science. Dans ce guide, vous découvrirez une gamme de fonctions statistiques, notamment comment trouver les corrélations, les modes, les médianes, ainsi que les valeurs maximales et minimales au sein d'un ensemble de données. Vous apprendrez également à gérer les valeurs manquantes et à manipuler des valeurs spécifiques, ainsi qu'à les supprimer.

Plongez dans les fondamentaux de la bibliothèque pandas. Création et manipulation de Series et DataFrames, exploration de leur structure, et acquisition de l'assurance nécessaire pour effectuer les opérations de données essentielles.

Maîtrise du chargement et de la gestion des données à partir de fichiers CSV et TXT. Acquisition d'une expérience pratique dans l'importation de jeux de données et leur préparation pour une analyse ultérieure à l'aide des outils pandas.

Apprenez à explorer, nettoyer et résumer les données de manière efficace. Comprenez comment gérer les valeurs manquantes, extraire des informations et effectuer des opérations statistiques de base avec pandas.

Description des Données

Solution