تجزیه و تحلیل آماری با Pandas

import pandas as pd
from scipy import stats

# فرضیه: میانگین نمرات امتحان دو گروه دانش آموز یکسان است
data = pd.DataFrame({"گروه": ["A", "A", "A", "B", "B", "B"], "نمره": [90, 85, 92, 88, 91, 89]})

t_statistic, p_value = stats.ttest_ind(data["نمره"][data["گروه"] == "A"], data["نمره"][data["گروه"] == "B"])

if p_value < 0.05:
    print("میانگین نمرات دو گروه به طور معنی داری متفاوت است.")
else:
    print("تفاوت معنی داری در میانگین نمرات دو گروه وجود ندارد.")

data = pd.DataFrame({"X": [1, 2, 3, 4, 5], "Y": [2, 4, 5, 4, 5]})

correlation = stats.pearsonr(data["X"], data["Y"])[0]

if correlation > 0:
    print("رابطه مثبت بین X و Y وجود دارد.")
elif correlation < 0:
    print("رابطه منفی بین X و Y وجود دارد.")
else:
    print("هیچ رابطه ای بین X و Y وجود ندارد.")

from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(data[["X"]], data["Y"])

print(f"معادله رگرسیون: Y = {model.coef_[0]} * X + {model.intercept_}")

from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB

# مجموعه داده را به داده های آموزشی و آزمایشی تقسیم کنید
X = data[["X", "Y"]]
y = data["Z"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# مدل طبقه بندی کننده را آموزش دهید
model = GaussianNB()
model.fit(X_train, y_train)

# پیش بینی ها را روی داده های آزمایشی انجام دهید
y_pred = model.predict(X_test)

# دقت مدل را ارزیابی کنید
from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, y_pred)
print(f"دقت مدل: {accuracy:.2f}")