Kom igångKom igång gratis

Grundläggande konfidensintervall

Du arbetar som datavetare åt en fyrverkstillverkare i Des Moines, Iowa. Din uppgift är att övertyga staden om att företagets stora fyrverksshow inte har haft någon negativ inverkan på luftkvaliteten. För att göra det undersöker du genomsnittliga halter av luftföroreningar under veckan efter den fjärde juli och jämför dem med mätningar från efter er senaste show. Genom att visa konfidensintervall kring medelvärdena kan du argumentera för att de senaste mätningarna låg väl inom det normala intervallet.

Data är inläst som average_ests med en rad för varje uppmätt luftförorening.

Den här övningen är en del av kursen

Förbättra dina datavisualiseringar i Python

Visa kurs

Övningsinstruktioner

  • Skapa de nedre och övre gränserna för 95%-intervallet:

    • Skapa den nedre gränsen genom att subtrahera 1,96 standardfel ('std_err') från skattningarnas 'mean'.
    • Skapa den övre gränsen genom att addera 1,96 standardfel ('std_err') till skattningarnas 'mean'.

  • Ange pollutant som facetvariabel till sns.FacetGrid() och koppla loss x-axlarna från varandra så att intervallen visas i lämplig storlek.

  • Skicka de konstruerade intervallgränserna till den mappade funktionen plt.hlines().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Construct CI bounds for averages
average_ests['lower'] = average_ests['____'] - 1.96*average_ests['____']
average_ests['upper'] = average_ests['____'] + 1.96*average_ests['____']

# Setup a grid of plots, with non-shared x axes limits
g = sns.FacetGrid(average_ests, row = '____', ____ = False)

# Plot CI for average estimate
g.map(plt.hlines, 'y', '____', '____')

# Plot observed values for comparison and remove axes labels
g.map(plt.scatter, 'seen', 'y', color = 'orangered').set_ylabels('').set_xlabels('') 

plt.show()
Redigera och kör kod