Summary  
This chapter covers how to explore numerical data distributions by creating histograms and overlaying kernel density estimate curves using Seaborn’s `histplot` function in Python.

General domain of usage  
Data science exploratory analysis

Voordat u betekenisvolle conclusies uit een dataset kunt trekken, is het noodzakelijk om de structuur en belangrijkste kenmerken ervan te begrijpen. Dit proces wordt **data-exploratie** genoemd. Het omvat het bekijken van uw gegevens vanuit verschillende invalshoeken, het samenvatten van de belangrijkste eigenschappen en het visualiseren van belangrijke patronen. Data-exploratie helpt bij het identificeren van trends, uitschieters en mogelijke problemen voordat diepgaandere statistische analyses worden uitgevoerd.

Een van de meest bruikbare hulpmiddelen voor het verkennen van numerieke gegevens is het **histogram**. Een histogram is een soort staafdiagram dat laat zien hoe vaak verschillende bereiken van waarden in uw dataset voorkomen. Elke staaf vertegenwoordigt een bereik van waarden (een "bin" genoemd), en de hoogte van de staaf geeft aan hoeveel datapunten binnen dat bereik vallen. Histogrammen maken het eenvoudig om de verdeling, het centrum en de spreiding van uw gegevens in één oogopslag te zien.

In Python kunt u snel histogrammen maken met de `histplot`-functie uit de **seaborn**-bibliotheek. De `histplot`-functie neemt uw gegevens en toont de verdeling ervan als een histogram. U kunt ook een **kernel density estimate** (KDE)-curve aan de grafiek toevoegen, die een vloeiende benadering van de verdeling van de gegevens geeft. Dit helpt om de onderliggende patronen in uw gegevens beter te begrijpen.

U zult de `histplot`-functie gebruiken om de verdeling van de lichaamsmassa's van pinguïns te visualiseren in de komende taken. Dit helpt bij het verkennen van de dataset en het voorbereiden op verdere statistische analyses.

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

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.

De Dataset Verkennen

Oplossing