Summary  
This chapter covers exploratory data analysis techniques in code, including loading and inspecting data structures, computing summary statistics, handling missing values, and printing sample records to identify patterns and issues.

General domain of usage  
Data science

import unittest
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

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 TestDataReading(unittest.TestCase):
    def test_data_loaded(self):
        import user_code

        expected_data = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/section_1/confidence.csv',
            index_col=0
        )

        condition = (
            isinstance(user_code.data, pd.DataFrame)
            and user_code.data.shape == expected_data.shape
        )

        _dynamic_test(
            self,
            condition,
            "The CSV file is correctly read into the 'data' variable.",
            "The CSV file is not read correctly into the 'data' variable."
        )


class TestPlot(unittest.TestCase):
    def test_histplot(self):
        import user_code

        # ÐÐµÑÐµÐ²ÑÑÑÑÐ¼Ð¾, ÑÐ¸ ÑÑÐ²Ð¾ÑÐµÐ½Ð¾ Ð³ÑÐ°ÑÑÐº Ð· seaborn.histplot
        plot_obj = user_code.plot

        condition = (
            hasattr(plot_obj, "get_xlabel")
            and plot_obj.get_xlabel() == "The Mass"
            and plot_obj.get_ylabel() == "The Quantity"
        )

        _dynamic_test(
            self,
            condition,
            "The histplot is created with correct parameters.",
            "The histplot parameters are incorrect."
        )


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


test_code.py

Acquérir une base solide en statistiques avec Python. Découvrir les concepts statistiques essentiels et les appliquer à l’aide de NumPy et pandas. Passer des mesures de base telles que la moyenne et la variance aux tests d’hypothèses, intervalles de confiance et analyses de données concrètes grâce à une pratique approfondie.

Découvrez les principes statistiques fondamentaux, y compris les types de données, les mesures de tendance centrale et les principales différences entre échantillons et populations.

Apprendre à calculer et interpréter la moyenne, la médiane et le mode avec Python. S'exercer à ces opérations avec pandas pour analyser des ensembles de données réels.

Comprendre comment la variance et l'écart type mesurent la dispersion des données. Apprendre à calculer ces mesures manuellement et à l'aide d'outils Python.

Découvrez comment la covariance et la corrélation décrivent les relations entre les variables. Exercices de calcul et de comparaison de ces deux mesures en Python.

Maîtrise des intervalles de confiance pour estimer les paramètres d'une population. Utilisation de NumPy, pandas et des bibliothèques de visualisation pour calculer et interpréter les intervalles avec des données réelles.

Apprenez les principes fondamentaux des tests d'hypothèse et du test t. Comprenez comment concevoir, réaliser et interpréter des tests à l'aide de Python pour soutenir les décisions basées sur les données.

Explorer l'Ensemble de Données

Solution

Explorer l'Ensemble de Données

Solution