Kom igångKom igång gratis

Många bootstraps med beeswarm-diagram

Som bosatt i Cincinnati är du nyfiken på hur de genomsnittliga NO2-värdena där jämförs med Des Moines, Indianapolis och Houston – några andra städer du har bott i.

För att undersöka detta väljer du att använda bootstrap-skattning för att studera medelvärdet av NO2 för varje stad. Eftersom jämförelserna är det primära intresset använder du ett swarm-diagram för att visualisera skattningarna.

DataFrame:en pollution_may finns tillgänglig tillsammans med funktionen bootstrap() från slidesen, som används för att utföra bootstrap-resamplingen.

Den här övningen är en del av kursen

Förbättra dina datavisualiseringar i Python

Visa kurs

Övningsinstruktioner

  • Kör bootstrap-resampling på varje vektor city_NO2.
  • Lägg till stadsnamnet som en kolumn i bootstrap-DataFrame:en cur_boot.
  • Färgsätt alla punkter i swarm-diagrammet med 'coral' för att undvika problemet med färg och storlek.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Initialize a holder DataFrame for bootstrap results
city_boots = pd.DataFrame()

for city in ['Cincinnati', 'Des Moines', 'Indianapolis', 'Houston']:
    # Filter to city
    city_NO2 = pollution_may[pollution_may.city  ==  city].NO2
    # Bootstrap city data & put in DataFrame
    cur_boot = pd.DataFrame({'NO2_avg': bootstrap(____, 100), 'city': ____})
    # Append to other city's bootstraps
    city_boots = pd.concat([city_boots,cur_boot])

# Beeswarm plot of averages with citys on y axis
sns.swarmplot(y = "city", x = "NO2_avg", data = city_boots, ____ = '____')

plt.show()
Redigera och kör kod