Bootstrap-histogrammet
Du funderar på att åka på semester till Cincinnati i maj, men du är extra känslig för NO2. Du hämtar några års luftkvalitetsdata från Cincinnati i maj och undersöker ett bootstrap-estimat av de genomsnittliga NO2-nivåerna. Eftersom du bara har ett estimat är ett histogram det bästa sättet att visualisera resultaten från dina bootstrap-estimat.
Du uppskattar bootstrap-histogrammets intuitivitet i sig, men din resesällskap vill gärna se procentintervall. För att tillmötesgå det väljer du att markera 95%-intervallet genom att skugga regionen.
Den här övningen är en del av kursen
Förbättra dina datavisualiseringar i Python
Övningsinstruktioner
- Ange de övre och nedre percentilerna som behövs för att få ett 95%-intervall i funktionen
percentile(). - Skugga bakgrunden i diagrammet inom 95%-intervallet.
- Rita ett histogram över bootstrap-medelvärden med 100 staplar.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
cinci_may_NO2 = pollution.query("city == 'Cincinnati' & month == 5").NO2
# Generate bootstrap samples
boot_means = bootstrap(cinci_may_NO2, 1000)
# Get lower and upper 95% interval bounds
lower, upper = np.percentile(boot_means, [____, ____])
# Plot shaded area for interval
plt.axvspan(____, ____, color = 'gray', alpha = 0.2)
# Draw histogram of bootstrap samples
sns.histplot(____, ____ = 100)
plt.show()