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

Costruisci una solida base in statistica utilizzando Python. Apprendi i concetti statistici essenziali e applicali tramite NumPy e pandas. Passa da misure di base come media e varianza a test d'ipotesi, intervalli di confidenza e analisi dei dati con esercitazioni pratiche.

Esplora i principi statistici fondamentali, inclusi i tipi di dati, le misure di tendenza centrale e le principali differenze tra campioni e popolazioni.

Apprendere il calcolo e l'interpretazione di media, mediana e moda utilizzando Python. Eseguire esercitazioni su queste operazioni con pandas per analizzare dataset reali.

Comprendere come la varianza e la deviazione standard misurano la dispersione dei dati. Calcolo manuale e tramite strumenti Python di entrambe le misure.

Esplora come covarianza e correlazione descrivono le relazioni tra variabili. Esercitati nel calcolo e nel confronto di entrambe le metriche in Python.

Approfondimento sugli intervalli di confidenza per stimare i parametri della popolazione. Utilizzo di NumPy, pandas e librerie di visualizzazione per calcolare e interpretare intervalli con dati reali.

Apprendere i fondamenti del test d'ipotesi e del t-test. Comprendere come progettare, eseguire e interpretare i test utilizzando Python per supportare decisioni basate sui dati.

Esplorare il Set di Dati

Soluzione

Esplorare il Set di Dati

Soluzione