chore(i18n,learn): processed translations (#54077)

Co-authored-by: Naomi Carrigan <nhcarrigan@gmail.com>

curriculum/challenges/italian/08-data-analysis-with-python/data-analysis-with-python-projects/medical-data-visualizer.md

@@ -18,7 +18,7 @@ Stiamo ancora sviluppando la parte didattica interattiva del curriculum di Pytho
 
 # --instructions--
 
-In questo progetto visualizzerai e farai calcoli relativi ai dati di esami medici usando matplotlib, seaborn, e pandas. I valori dell’insieme di dati sono stati raccolti durante una serie di esami medici.
+In this project, you will visualize and make calculations from medical examination data using `matplotlib`, `seaborn`, and `pandas`. I valori dell’insieme di dati sono stati raccolti durante una serie di esami medici.
 
 ## Descrizione dei dati
 
@@ -43,23 +43,49 @@ Nome del file: medical_examination.csv
 
 ## Compiti
 
-Crea un grafico simile a `examples/Figure_1.png`, dove vengono mostrati i conteggi di buoni e cattivi risultati per le variabili `cholesterol`, `gluc`, `alco`, `active` e `smoke` per pazienti con cardio=1 e cardio=0 in differenti pannelli.
+Create a chart similar to `examples/Figure_1.png`, where we show the counts of good and bad outcomes for the `cholesterol`, `gluc`, `alco`, `active`, and `smoke` variables for patients with `cardio=1` and `cardio=0` in different panels.
 
 Utilizza i dati per completare le seguenti attività in `medical_data_visualizer.py`:
 
-- Aggiungi una colonna `overweight` (sovrappeso) ai dati. Per determinare se una persona è in sovrappeso, calcola prima il suo BMI dividendo il peso in chilogrammi per il quadrato della sua altezza in metri. Se questo valore è > 25 allora la persona è in sovrappeso. Usa il valore 0 per NON sovrappeso e 1 per sovrappeso.
-- Normalizza i dati ponendo 0 sempre bene e 1 sempre male. Se il valore di `cholesterol` o `gluc` è 1, metti il valore 0. Se il valore è superiore a 1, metti il valore 1.
-- Converti i dati in formato esteso e crea un grafico che mostri il valore del conteggio delle caratteristiche categoriche usando il `catplot()` di seaborn. Il set di dati dovrebbe essere suddiviso in base a 'Cardio' in modo che ci sia un grafico per ogni valore di `cardio`. Il grafico dovrebbe apparire come `examples/Figure_1.png`.
+- Aggiungi una colonna `overweight` (sovrappeso) ai dati. Per determinare se una persona è in sovrappeso, calcola prima il suo BMI dividendo il peso in chilogrammi per il quadrato della sua altezza in metri. Se questo valore è > 25 allora la persona è in sovrappeso. Use the value `0` for NOT overweight and the value `1` for overweight.
+- Normalize the data by making `0` always good and `1` always bad. If the value of `cholesterol` or `gluc` is `1`, make the value `0`. If the value is more than `1`, make the value `1`.
+- Convert the data into long format and create a chart that shows the value counts of the categorical features using `seaborn`'s `catplot()`. The dataset should be split by `Cardio` so there is one chart for each `cardio` value. Il grafico dovrebbe apparire come `examples/Figure_1.png`.
 - Pulisci i dati. Filtra i seguenti segmenti di pazienti che rappresentano dati errati:
   - la pressione diastolica è superiore a quella sistolica (tieni i dati corretti con `(df['ap_lo'] <= df['ap_hi'])`)
   - l'altezza è inferiore al 2.5° percentile (tieni i dati corretti con `(df['height'] >= df['height'].quantile(0.025))`)
   - l'altezza è superiore al 97.5° percentile
   - il peso è inferiore al 2.5° percentile
   - il peso è superiore al 97.5° percentile
-- Crea una matrice di correlazione usando l'insieme di dati. Traccia la matrice di correlazione usando la `heatmap()` di seaborn. Maschera il triangolo superiore. Il grafico dovrebbe apparire come in `examples/Figure_2.png`.
+- Crea una matrice di correlazione usando l'insieme di dati. Plot the correlation matrix using `seaborn`'s `heatmap()`. Maschera il triangolo superiore. Il grafico dovrebbe apparire come in `examples/Figure_2.png`.
 
 Ogni volta che una variabile è impostata su `None`, assicurati di impostarla al codice corretto.
 
+Unit tests are written for you under `test_module.py`.
+
+## Instructions
+By each number in the `medical_data_visualizer.py` file, add the code from the associated instruction number below.
+
+1. Import the data from `medical_examination.csv` and assign it to the `df` variable
+2. Create the `overweight` column in the `df` variable
+3. Normalize data by making `0` always good and `1` always bad. If the value of `cholesterol` or `gluc` is 1, set the value to `0`. If the value is more than `1`, set the value to `1`.
+4. Draw the Categorical Plot in the `draw_cat_plot` function
+5. Create a DataFrame for the cat plot using `pd.melt` with values from `cholesterol`, `gluc`, `smoke`, `alco`, `active`, and `overweight` in the `df_cat` variable.
+6. Group and reformat the data in `df_cat` to split it by `cardio`. Show the counts of each feature. You will have to rename one of the columns for the `catplot` to work correctly.
+7. Convert the data into `long` format and create a chart that shows the value counts of the categorical features using the following method provided by the seaborn library import : `sns.catplot()`
+8. Get the figure for the output and store it in the `fig` variable
+9. Do not modify the next two lines
+10. Draw the Heat Map in the `draw_heat_map` function
+11. Clean the data in the `df_heat` variable by filtering out the following patient segments that represent incorrect data:
+    - height is less than the 2.5th percentile (Keep the correct data with `(df['height'] >= df['height'].quantile(0.025))`)
+    - height is more than the 97.5th percentile
+    - weight is less than the 2.5th percentile
+    - weight is more than the 97.5th percentile
+12. Calculate the correlation matrix and store it in the `corr` variable
+13. Generate a mask for the upper triangle and store it in the `mask` variable
+14. Set up the `matplotlib` figure
+15. Plot the correlation matrix using the method provided by the `seaborn` library import: `sns.heatmap()`
+16. Do not modify the next two lines
+
 ## Sviluppo
 
 Write your code in `medical_data_visualizer.py`. For development, you can use `main.py` to test your code.