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

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

Lær å beregne og tolke gjennomsnitt, median og modus ved bruk 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 forholdet mellom variabler. Øv på å beregne og sammenligne begge målene i Python.

Behersk 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-test. Forstå hvordan du designer, utfører og tolker tester ved bruk av Python for å støtte datadrevne beslutninger.

Utforsk Datasettet

Løsning

Awesome!

Utforsk Datasettet

Løsning