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

Rakenna vahva tilastotieteen perusta Pythonin avulla. Opiskele keskeiset tilastolliset käsitteet ja sovella niitä NumPyn ja pandas-kirjaston kautta. Siirry perusmittareista, kuten keskiarvosta ja varianssista, hypoteesin testaukseen, luottamusväleihin ja datalähtöisiin oivalluksiin käytännön harjoitusten avulla.

Tutustu tilastotieteen keskeisiin periaatteisiin, kuten aineistotyyppeihin, keskilukuihin sekä keskeisiin eroihin otosten ja perusjoukkojen välillä.

Opi laskemaan ja tulkitsemaan keskiarvo, mediaani ja moodi Pythonin avulla. Harjoittele näitä operaatioita pandas-kirjastolla analysoidaksesi aitoja aineistoja.

Ymmärrys siitä, miten varianssi ja keskihajonta mittaavat aineiston hajontaa. Molempien laskeminen käsin ja Python-työkaluilla.

Perehdy siihen, miten kovarianssi ja korrelaatio kuvaavat muuttujien välisiä yhteyksiä. Harjoittele molempien mittareiden laskemista ja vertaamista Pythonilla.

Hallitse luottamusvälit populaatioparametrien arviointiin. Käytä NumPy-, pandas- ja visualisointikirjastoja luottamusvälien laskemiseen ja tulkintaan oikean datan avulla.

Opi hypoteesin testauksen ja t-testin perusteet. Ymmärrä, kuinka testejä suunnitellaan, suoritetaan ja tulkitaan Pythonin avulla tietoon perustuvien päätösten tueksi.

Tutki Aineistoa

Ratkaisu

Awesome!

Tutki Aineistoa

Ratkaisu