CommencerCommencer gratuitement

Bandes à 90 et 95 %

Vous examinez une moyenne mobile sur 40 jours des niveaux de pollution au NO2 pour la ville de Cincinnati en 2013. Pour donner une vision aussi détaillée que possible de l’incertitude sur la tendance, vous souhaitez considérer les intervalles à 90 % et 99 % autour de cette estimation mobile.

Pour cela, définissez vos deux tailles d’intervalle et une palette de couleurs ordinales orange. De plus, pour permettre une lecture précise des bandes, rendez-les semi-transparentes afin que la grille d’arrière-plan de Seaborn reste visible.

Cet exercice fait partie du cours

Améliorer vos visualisations de données en Python

Afficher le cours

Instructions

  • Réglez l’opacité des intervalles à 40 %.
  • Calculez les bornes inférieure et supérieure de confiance.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

int_widths = ['90%', '99%']
z_scores = [1.67, 2.58]
colors = ['#fc8d59', '#fee08b']

for percent, Z, color in zip(int_widths, z_scores, colors):
    
    # Pass lower and upper confidence bounds and lower opacity
    plt.fill_between(
        x = cinci_13_no2.day, alpha = ____, color = color,
        y1 = cinci_13_no2['mean'] ____ ____*cinci_13_no2['std_err'],
        y2 = cinci_13_no2['mean'] ____ ____*cinci_13_no2['std_err'],
        label = percent)
    
plt.legend()
plt.show()
Modifier et exécuter le code