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

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.

Verken de Dataset

Oplossing

Awesome!

Verken de Dataset

Oplossing