เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ช่วงความเชื่อมั่นเบื้องต้น

คุณเป็นนักวิทยาศาสตร์ข้อมูลให้กับบริษัทผู้ผลิตดอกไม้ไฟในเมือง Des Moines รัฐไอโอวา และต้องนำเสนอข้อมูลต่อเมืองเพื่อแสดงว่าการจุดดอกไม้ไฟครั้งใหญ่ของบริษัทไม่ได้ส่งผลเสียต่อคุณภาพอากาศในเมือง โดยดูค่าเฉลี่ยของมลพิษในสัปดาห์หลังวันที่ 4 กรกฎาคม และเปรียบเทียบกับค่าที่วัดได้หลังการแสดงดอกไม้ไฟครั้งล่าสุด การแสดงช่วงความเชื่อมั่นรอบค่าเฉลี่ยจะช่วยให้เห็นว่าค่าที่วัดได้ล่าสุดยังอยู่ในช่วงปกติ

ข้อมูลนี้ถูกโหลดในชื่อ average_ests โดยมีแต่ละแถวแทนค่ามลพิษที่วัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพัฒนาการแสดงผลข้อมูลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างขอบเขตล่างและขอบเขตบนของช่วงความเชื่อมั่น 95%:

    • สร้างขอบเขตล่างโดย ลบ ค่าความคลาดเคลื่อนมาตรฐาน 1.96 ค่า ('std_err') ออกจาก 'mean' ของค่าประมาณ
    • สร้างขอบเขตบนโดย บวก ค่าความคลาดเคลื่อนมาตรฐาน 1.96 ค่า ('std_err') เข้ากับ 'mean' ของค่าประมาณ

  • ส่ง pollutant เป็นตัวแปรสำหรับแบ่งกลุ่มใน sns.FacetGrid() และยกเลิกการเชื่อมโยงแกน x ของกราฟ เพื่อให้ช่วงแสดงผลได้อย่างเหมาะสม

  • ส่งขอบเขตของช่วงที่สร้างขึ้นไปยังฟังก์ชัน plt.hlines() ผ่าน g.map()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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()
แก้ไขและรันโค้ด