Zaman İçinde Hata Paylarını Görselleştirme
Bu egzersizde, Philadelphia, PA'deki değişen konut fiyatlarını hata çubukları içeren bir çizgi grafikle inceleyeceksin. Veriler ACS 1 yıllık örnek Tablo B25077'den geliyor. 2011'den 2017'ye her yıl için tahminler ve hata payları indirilip philly adlı bir pandas DataFrame'inde birleştirildi. ACS tablo değişkenleri, sırasıyla tahmin ve hata payı için median_home_value ve median_home_value_moe olarak yeniden adlandırıldı. (Konsolda DataFrame'i görebilirsin.)
pandas, pd takma adıyla içe aktarıldı.
Bu egzersiz, kursun bir parçasıdır
Python ile ABD Nüfus Sayımı Verilerini Analiz Etme
Egzersiz talimatları
matplotlib.pyplot'ıplttakma adıyla içe aktarrmoeadında bir sütun oluştur (medyan konut değeri Bağıl MOE'yi tutacak): hata payı sütununu tahmin sütununa böl ve100ile çarp- Bağıl MOE'yi incelemek için DataFrame'i
printet - Bir hata çubuğu grafiği oluştur: ilk argümanı
"year"yap; ikinci argümanı medyan konut değeri sütununun adı yap;yerrparametresini medyan konut değeri MOE sütununa ayarla; son olarakdataargümanınıphillyDataFrame'i olarak ayarla
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()