Marges van fout door de tijd plotten

In deze oefening bekijk je de veranderende huizenprijzen in Philadelphia, PA, met een lijngrafiek met foutbalken. De gegevens komen uit ACS 1-year sample Tabel B25077. De schattingen én de marge van fout voor elk jaar van 2011 tot en met 2017 zijn gedownload en samengevoegd in een pandas DataFrame met de naam philly. De ACS-tabelvariabelen voor de schatting en marge van fout zijn hernoemd naar respectievelijk median_home_value en median_home_value_moe. (Zie het DataFrame in de console.)

pandas is geïmporteerd als pd.

Deze oefening maakt deel uit van de cursus

US Census-gegevens analyseren in Python

Cursus bekijken

Oefeninstructies

Importeer matplotlib.pyplot met de alias plt
Maak kolom rmoe (voor de Relatieve MOE van de mediane woningwaarde) als 100 keer de kolom met de marge van fout gedeeld door de kolom met de schatting
Gebruik print op het DataFrame om de Relatieve MOE te bekijken
Maak een errorbar-plot: zet het eerste argument op "year"; zet het tweede argument op de naam van de kolom met de mediane woningwaarde; zet parameter yerr op de kolom met de MOE van de mediane woningwaarde; zet ten slotte het data-argument op het philly DataFrame

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import graphics packages
import seaborn as sns
sns.set()
____

# Calculate and inspect Relative Margin of Error
philly["rmoe"] = ____
____

# Create line plot with error bars of 90% MOE
plt.errorbar(____, ____, yerr = ____, data = ____)
plt.show()

Code bewerken en uitvoeren