Summary  
Demonstrates how to calculate a pairwise correlation matrix for numerical columns in a DataFrame using the .corr() method and how to interpret its values from –1 to 1.  

General domain of usage  
Real estate data analysis

Infine, passiamo all'ultimo metodo di questa sezione chiamato `.corr()`. È molto utile per individuare la relazione tra dati numerici. Immagina di avere un dataset sulle case:

Esaminiamo l'output di `data.corr()` nel nostro caso:

Procediamo passo dopo passo:
Hai valori verticali e orizzontali; ogni coppia si sovrappone. In ogni sovrapposizione, possiamo ottenere un valore da -1 a 1. 
- **1** significa che i due valori dipendono l'uno dall'altro in modo direttamente proporzionale (se un valore aumenta, anche l'altro aumenta);
- **-1** significa che i due valori dipendono l'uno dall'altro in modo inversamente proporzionale (se un valore aumenta, l'altro diminuisce);
- **0** significa che i due valori dipendenti non sono proporzionali.

Se il dataset contiene **colonne non numeriche**, come nel dataset `cars.csv` utilizzato nell'esercizio, è necessario impostare l'argomento `numeric_only=True` per calcolare la correlazione utilizzando solo le colonne numeriche.

Nota

import unittest
import pandas as pd
import io
import sys


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)


def frames_equal(df1, df2):
    """ÐÐµÑÐµÐ²ÑÑÑÑ ÑÑÐ²Ð½ÑÑÑÑ DataFrame Ð· ÑÑÐ°ÑÑÐ²Ð°Ð½Ð½ÑÐ¼ Ð¿Ð¾ÑÑÐ´ÐºÑ ÐºÐ¾Ð»Ð¾Ð½Ð¾Ðº (Ð´Ð»Ñ ÐºÐ¾ÑÐµÐ»ÑÑÑÐ¹ ÑÐµ Ð²Ð°Ð¶Ð»Ð¸Ð²Ð¾)."""
    try:
        return df1.equals(df2)
    except Exception:
        return False


class TestCorrelation(unittest.TestCase):
    def test_corr_applied(self):
        """
        1. Apply the .corr() function to the dataset with numeric_only=True.
        """
        import user_code

        # Ð·Ð°Ð²Ð°Ð½ÑÐ°Ð¶ÑÑÐ¼Ð¾ Ð¾ÑÐ¸Ð³ÑÐ½Ð°Ð»ÑÐ½Ñ Ð´Ð°Ð½Ñ
        df = pd.read_csv(
            "https://codefinity-content-media.s3.eu-west-1.amazonaws.com/4bf24830-59ba-4418-969b-aaf8117d522e/cars.csv",
            index_col=0,
        )
        ref_corr = df.corr(numeric_only=True)

        # ÐºÐ¾ÑÐ¸ÑÑÑÐ²Ð°Ñ Ð¼Ð¾Ð¶Ðµ Ð¾Ð´ÑÐ°Ð·Ñ Ð½Ð°Ð´ÑÑÐºÑÐ²Ð°ÑÐ¸ Ð°Ð±Ð¾ Ð·Ð±ÐµÑÐµÐ³ÑÐ¸ Ñ Ð·Ð¼ÑÐ½Ð½Ñ
        user_corr = None
        if hasattr(user_code, "data_corr"):
            user_corr = user_code.data_corr
        else:
            # Ð¿ÑÐ¾Ð±ÑÑÐ¼Ð¾ Ð²Ð¸ÐºÐ»Ð¸ÐºÐ°ÑÐ¸ Ð½Ð°Ð¿ÑÑÐ¼Ñ
            try:
                user_corr = user_code.data.corr(numeric_only=True)
            except Exception:
                user_corr = None

        condition = isinstance(user_corr, pd.DataFrame) and frames_equal(user_corr, ref_corr)
        _dynamic_test(
            self,
            condition,
            "The .corr() method is correctly applied to the dataset with numeric_only=True.",
            "The correlation matrix is incorrect or not created using .corr(numeric_only=True)."
        )


class TestOutput(unittest.TestCase):
    def test_output_print(self):
        """
        2. Output the correlation matrix.
        """
        import user_code
        captured_output = io.StringIO()
        sys.stdout = captured_output
        print(user_code.data.corr(numeric_only=True))
        sys.stdout = sys.__stdout__

        output_text = captured_output.getvalue().strip()
        condition = len(output_text) > 0
        _dynamic_test(
            self,
            condition,
            "The correlation matrix is printed successfully.",
            "The correlation matrix is not printed. Use print(data.corr(numeric_only=True))."
        )


if __name__ == "__main__":
    unittest.main()

test_code.py

Questo corso contiene molte funzioni utili per un futuro data analyst. Imparerai diversi metodi di estrazione dei dati e persino come impostare condizioni su di essi. Successivamente, acquisirai familiarità con i metodi di raggruppamento dei dati. Inoltre, apprenderai come preprocessare i dati. Ogni sezione dispone di un proprio set di dati, rendendo il corso coinvolgente.

Questa sezione ti insegnerà come visualizzare colonne specifiche tramite i loro titoli o indici. Inoltre, verranno illustrate le modalità di selezione delle righe tramite indici.

Qui imparerai come estrarre dati che soddisfano condizioni specifiche. Inoltre, apprenderai come combinarle e persino crearne di proprie.

In questa sezione, amplierai le tue conoscenze sull'impostazione di diverse condizioni sui dati. Imparerai a verificare se i tuoi dati sono in un elenco definito di valori o compresi tra due valori. Imparerai inoltre come individuare i valori massimi e minimi.

Questa sezione è una delle più affascinanti del corso. Qui verrà illustrato come raggruppare i dati in modi diversi. Sarà utile per lavorare come data analyst e ottenere informazioni su gruppi di dati specifici.

Questa sezione è una delle più significative per un data analyst, poiché se i dati contengono valori mancanti o in formato errato, sarà impossibile lavorarci. Pertanto, qui si apprenderà come gestire tali valori inappropriati.

Trovare la Correlazione

Soluzione

Awesome!

Trovare la Correlazione

Soluzione