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

Bouw een sterke basis in statistiek met Python. Leer essentiële statistische concepten en pas deze toe via NumPy en pandas. Ga van basismaatregelen zoals het gemiddelde en de variantie naar hypothese toetsen, betrouwbaarheidsintervallen en datagedreven inzichten met praktische oefeningen.

Ontdek de kernprincipes van statistiek, waaronder datatypes, maten van centrale tendentie en belangrijke verschillen tussen steekproeven en populaties.

Leer het berekenen en interpreteren van gemiddelde, mediaan en modus met Python. Oefen deze bewerkingen met pandas om echte datasets te analyseren.

Inzicht in hoe variantie en standaarddeviatie de spreiding van gegevens meten. Leren om beide handmatig en met Python-tools te berekenen.

Onderzoek hoe covariantie en correlatie relaties tussen variabelen beschrijven. Oefen met het berekenen en vergelijken van beide statistieken in Python.

Beheers betrouwbaarheidsintervallen om populatieparameters te schatten. Gebruik NumPy, pandas en visualisatiebibliotheken om intervallen te berekenen en te interpreteren met echte gegevens.

Leer de basisprincipes van hypothesetoetsing en de t-toets. Begrijp hoe u toetsen ontwerpt, uitvoert en interpreteert met Python ter ondersteuning van datagedreven besluitvorming.

Covariantie en Correlatie Berekenen

Oplossing