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

Побудова міцної основи в статистиці за допомогою Python. Вивчення основних статистичних концепцій і їх застосування через NumPy та pandas. Перехід від базових мір, таких як середнє та дисперсія, до перевірки гіпотез, довірчих інтервалів і отримання висновків на основі даних із практичними завданнями.

Ознайомлення з основними статистичними принципами, включаючи типи даних, міри центральної тенденції та ключові відмінності між вибірками і генеральними сукупностями.

Вивчення обчислення та інтерпретації середнього, медіани та моди за допомогою Python. Практика виконання цих операцій з використанням pandas для аналізу реальних наборів даних.

Зрозумійте, як дисперсія та стандартне відхилення вимірюють розподіл даних. Дізнайтеся, як обчислювати ці показники вручну та за допомогою інструментів Python.

Дослідження того, як коваріація та кореляція описують взаємозв'язки між змінними. Практика обчислення та порівняння обох метрик у Python.

Опанування довірчих інтервалів для оцінки параметрів генеральної сукупності. Використання NumPy, pandas та бібліотек для візуалізації для обчислення та інтерпретації інтервалів на основі реальних даних.

Вивчення основ гіпотезного тестування та t-тесту. Розуміння принципів розробки, проведення та інтерпретації тестів за допомогою Python для підтримки прийняття рішень на основі даних.

Дослідження Набору Даних

Рішення