視覺化適合度檢定

卡方適合度檢定（chi-square goodness of fit test）會將類別變數各水準的比例與假設值進行比較。在執行檢定之前，先把樣本中的分布與假設的分布做視覺化比較，通常很有幫助。

回想 late_shipments 資料集中的供應商貿易條件（incoterms）。你假設在所有出貨的母體中，以下四個值的出現頻率為：

• CIP：0.05
• DDP：0.1
• EXW：0.75
• FCA：0.1

這些頻率已儲存在 hypothesized DataFrame 中。

incoterm_counts DataFrame 儲存了 vendor_inco_term 欄位的 .value_counts() 結果。

late_shipments 可直接使用；pandas 與 matplotlib.pyplot 已以標準別名載入。