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

Construa uma base sólida em estatística utilizando Python. Aprenda conceitos estatísticos essenciais e aplique-os por meio do NumPy e pandas. Progrida desde medidas básicas como média e variância até testes de hipótese, intervalos de confiança e insights orientados por dados com prática prática.

Descubra os princípios estatísticos fundamentais, incluindo tipos de dados, medidas de tendência central e principais diferenças entre amostras e populações.

Aprenda a calcular e interpretar média, mediana e moda utilizando Python. Pratique essas operações com pandas para analisar conjuntos de dados reais.

Compreensão de como a variância e o desvio padrão medem a dispersão dos dados.
Cálculo manual e com ferramentas Python de ambos os conceitos.

Explore como a covariância e a correlação descrevem relações entre variáveis. Pratique o cálculo e a comparação de ambas as métricas em Python.

Domine intervalos de confiança para estimar parâmetros populacionais. Utilize NumPy, pandas e bibliotecas de visualização para calcular e interpretar intervalos com dados reais.

Aprenda os fundamentos dos testes de hipótese e do teste t. Compreenda como planejar, executar e interpretar testes utilizando Python para embasar decisões orientadas por dados.

Explorar o Conjunto de Dados

Solução

Awesome!

Explorar o Conjunto de Dados

Solução