Visualisera felmarginaler över tid

I den här övningen undersöker du hur bostadspriserna i Philadelphia, PA har förändrats över tid, med hjälp av ett linjediagram med felstaplar. Datan kommer från ACS 1-årsurval, tabell B25077. Skattningarna och felmarginalerna för varje år från 2011 till 2017 har laddats ned och sammanfogats i en pandas DataFrame kallad philly. ACS-tabellvariablerna för skattningen och felmarginalen har döpts om till median_home_value respektive median_home_value_moe. (Se DataFrame:n i konsolen.)

pandas har importerats som pd.

Den här övningen är en del av kursen

Analys av amerikansk folkräkningsdata i Python

Visa kurs

Övningsinstruktioner

Importera matplotlib.pyplot med aliaset plt
Skapa kolumnen rmoe (för det relativa felmarginalsvärdet för medianbostadens värde) som 100 gånger felmarginalskolumnen dividerat med skattningskolumnen
Använd print för att skriva ut DataFrame:n och granska det relativa felmarginalet
Skapa ett felstapeldiagram: sätt det första argumentet till "year", det andra argumentet till namnet på kolumnen för medianbostadens värde, parametern yerr till kolumnen för felmarginalen för medianbostadens värde och slutligen argumentet data till philly DataFrame:n

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()

Redigera och kör kod