Bắt đầu ngayBắt đầu miễn phí

Khoảng tin cậy cơ bản

Bạn là một nhà khoa học dữ liệu cho một nhà sản xuất pháo hoa ở Des Moines, Iowa. Bạn cần thuyết phục chính quyền thành phố rằng màn trình diễn pháo hoa lớn của công ty bạn không gây hại cho không khí của thành phố. Để làm điều này, bạn xem xét mức trung bình của các chất ô nhiễm trong tuần sau ngày 4 tháng 7 và so sánh chúng với các phép đo sau lần bắn pháo hoa gần nhất. Bằng cách hiển thị các khoảng tin cậy quanh các giá trị trung bình, bạn có thể lập luận rằng các phép đo gần đây nằm hoàn toàn trong phạm vi bình thường.

Dữ liệu này được nạp dưới dạng average_ests với mỗi hàng tương ứng một chất ô nhiễm được đo.

Bài tập này là một phần của khóa học

Nâng cấp trực quan hóa dữ liệu của bạn với Python

Xem khóa học

Hướng dẫn bài tập

  • Tạo cận dưới và cận trên của khoảng 95%:

    • Tạo cận dưới bằng cách trừ 1,96 sai số chuẩn ('std_err') khỏi 'mean' của ước lượng.
    • Tạo cận trên bằng cách cộng 1,96 sai số chuẩn ('std_err') vào 'mean' của ước lượng.

  • Truyền pollutant làm biến phân mảnh (faceting) cho sns.FacetGrid() và bỏ liên kết các trục x của biểu đồ để các khoảng được hiển thị với kích thước phù hợp.

  • Truyền các cận khoảng đã tạo vào hàm plt.hlines() được ánh xạ.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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()
Chỉnh sửa và Chạy Mã