import scipy.stats as stats
import matplotlib.pyplot as plt

p_values = []
test_val = []

# Calcola il test di normalità per ciascuna colonna del dataframe
for column in encoded_df.columns:
    test = stats.normaltest(encoded_df[column])
    p_values.append(test[1])
    test_val.append(test[0])

# Crea un dataframe contenente i risultati del test di normalità
norm_df = pd.DataFrame(
    {"Feature": encoded_df.columns, "D'Agostino-Pearson": test_val, "P-value": p_values}
)

norm_df.set_index("Feature", inplace=True)


# Definisci una funzione per colorare le celle in base al p-value
def color_cells(val):
    color = (
        "green" if val >= 0.05 else "red"
    )  # Assumendo un livello di significatività del 0.05
    if val > 1:
        color = None
    return "background-color: %s" % color


# Applica la funzione di colorazione al DataFrame
styled_norm_df = norm_df.style.applymap(color_cells)

styled_norm_df

	D'Agostino-Pearson	P-value
Feature
sepal.length	5.735584	0.056824
sepal.width	3.123832	0.209734
petal.length	221.687294	0.000000
petal.width	137.555965	0.000000
encoded.variety	1025.484477	0.000000