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

Bygg et solid grunnlag i statistikk ved hjelp av Python. Lær essensielle statistiske konsepter og anvend dem gjennom NumPy og pandas. Gå fra grunnleggende mål som gjennomsnitt og varians til hypotesetesting, konfidensintervaller og datadrevne innsikter med praktiske øvelser.

Utforsk grunnleggende statistiske prinsipper, inkludert datatyper, mål på sentraltendens og viktige forskjeller mellom utvalg og populasjoner.

Lær å beregne og tolke gjennomsnitt, median og modus ved hjelp av Python. Øv på disse operasjonene med pandas for å analysere ekte datasett.

Forstå hvordan varians og standardavvik måler spredningen i data. Lær å beregne begge deler manuelt og ved hjelp av Python-verktøy.

Utforsk hvordan kovarians og korrelasjon beskriver sammenhenger mellom variabler. Øv på å beregne og sammenligne begge målene i Python.

Bli ekspert på konfidensintervaller for å estimere populasjonsparametere. Bruk NumPy, pandas og visualiseringsbiblioteker for å beregne og tolke intervaller med reelle data.

Lær det grunnleggende om hypotesetesting og t-testen. Forstå hvordan du kan designe, utføre og tolke tester ved hjelp av Python for å støtte datadrevne beslutninger.

Beregne Kovarians og Korrelasjon

Løsning