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

Costruisci una solida base in statistica utilizzando Python. Apprendi i concetti statistici essenziali e applicali tramite NumPy e pandas. Passa da misure di base come media e varianza a test d'ipotesi, intervalli di confidenza e analisi dei dati con esercitazioni pratiche.

Esplora i principi statistici fondamentali, inclusi i tipi di dati, le misure di tendenza centrale e le principali differenze tra campioni e popolazioni.

Apprendere il calcolo e l'interpretazione di media, mediana e moda utilizzando Python. Eseguire esercitazioni su queste operazioni con pandas per analizzare dataset reali.

Comprendere come la varianza e la deviazione standard misurano la dispersione dei dati. Calcolo manuale e tramite strumenti Python di entrambe le misure.

Esplora come covarianza e correlazione descrivono le relazioni tra variabili. Esercitati nel calcolo e nel confronto di entrambe le metriche in Python.

Approfondimento sugli intervalli di confidenza per stimare i parametri della popolazione. Utilizzo di NumPy, pandas e librerie di visualizzazione per calcolare e interpretare intervalli con dati reali.

Apprendere i fondamenti del test d'ipotesi e del t-test. Comprendere come progettare, eseguire e interpretare i test utilizzando Python per supportare decisioni basate sui dati.

Calcolare Covarianza e Correlazione

Soluzione

Calcolare Covarianza e Correlazione

Soluzione