Základní intervaly spolehlivosti

Představ si, že pracuješ jako datový analytik pro výrobce ohňostrojů v Des Moines ve státě Iowa. Potřebuješ městu dokázat, že velký ohňostroj vaší firmy nezpůsobil žádné škody na kvalitě ovzduší. Proto se podíváš na průměrné hodnoty znečišťujících látek v týdnu po čtvrtém červenci a porovnáš je s hodnotami naměřenými po posledním ohňostroji. Vizualizací intervalů spolehlivosti kolem průměrů ukážeš, že nedávné hodnoty byly v normálním rozmezí.

Tato data jsou načtena jako average_ests, kde každý řádek odpovídá jednomu měřenému znečišťujícímu prvku.

Toto cvičení je součástí kurzu

Vylepšení datových vizualizací v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř dolní a horní hranici 95% intervalu spolehlivosti:
- Dolní hranici vytvoř odečtením 1,96násobku standardní chyby ('std_err') od 'mean' odhadů.
- Horní hranici vytvoř přičtením 1,96násobku standardní chyby ('std_err') k 'mean' odhadů.
Předej pollutant jako proměnnou pro facetování do sns.FacetGrid() a odpoj osy x jednotlivých grafů, aby byly intervaly přehledně zobrazeny.
Předej vypočítané hranice intervalů do namapované funkce plt.hlines().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Construct CI bounds for averages
average_ests['lower'] = average_ests['____'] - 1.96*average_ests['____']
average_ests['upper'] = average_ests['____'] + 1.96*average_ests['____']

# Setup a grid of plots, with non-shared x axes limits
g = sns.FacetGrid(average_ests, row = '____', ____ = False)

# Plot CI for average estimate
g.map(plt.hlines, 'y', '____', '____')

# Plot observed values for comparison and remove axes labels
g.map(plt.scatter, 'seen', 'y', color = 'orangered').set_ylabels('').set_xlabels('') 

plt.show()

Upravit a spustit kód