統(tǒng)計學L11 置信區(qū)間(二)

均數(shù)差

一闷供、課堂內容

如何利用代碼計算均差數(shù),并通過均差數(shù)的置信區(qū)間來得出相關的推斷結論统诺。
置信區(qū)間表達的意思是歪脏,在區(qū)間內,滿足區(qū)間條件粮呢。

二婿失、項目練習

1. 對于10,000次迭代,自展法(bootstrap)會對你的樣本數(shù)據(jù)進行抽樣啄寡,計算喝咖啡和不喝咖啡的人的平均身高的差異豪硅。使用你的抽樣分布建立一個99%的置信區(qū)間。
diff_coffee = []
for _ in range(10000):
    coffee_sample = sample_data.sample(200, replace = True)
    d_coffee = coffee_sample[coffee_sample['drinks_coffee'] == True]['height'].mean()
    nd_coffee = coffee_sample[coffee_sample['drinks_coffee'] == False]['height'].mean()
    diff_coffee.append(d_coffee - nd_coffee)
plt.hist(diff_coffee)
np.percentile(diff_coffee, 0.5), np.percentile(diff_coffee, 99.5)
2. 對于10,000次迭代挺物,自展法會對樣本數(shù)據(jù)進行抽樣懒浮,計算21歲以上和21歲以下的平均身高的差異。使用你的抽樣分布構建一個99%的置信區(qū)間。
diff_coffee = []
for _ in range(10000):
    coffee_sample = sample_data.sample(200, replace = True)
    d_coffee = coffee_sample[coffee_sample['age'] == '<21']['height'].mean()
    nd_coffee = coffee_sample[coffee_sample['age'] != '<21']['height'].mean()
    diff_coffee.append(d_coffee - nd_coffee)
plt.hist(diff_coffee)
np.percentile(diff_coffee, 0.5), np.percentile(diff_coffee, 99.5)
3. 對于10,000次迭代砚著,自展法會對你的樣本數(shù)據(jù)進行抽樣次伶,計算出21歲以下個體的喝咖啡的人的平均身高和不喝咖啡的人的平均身高之間的差異。使用你的抽樣分布稽穆,建立一個95%的置信區(qū)間冠王。
diff_21 = []
for _ in range(10000):
    coffee_sample = sample_data.sample(200, replace = True)
    d_coffee = coffee_sample.query("age == '<21' and drinks_coffee == True")['height'].mean()
    nd_coffee = coffee_sample.query("age == '<21' and drinks_coffee == False")['height'].mean()
    diff_21.append(d_coffee - nd_coffee)
plt.hist(diff_21)
np.percentile(diff_21, 2.5), np.percentile(diff_21, 97.5)
4. 對于10,000次迭代,自展法會對你的樣本數(shù)據(jù)進行抽樣舌镶,計算出21歲以上個體的喝咖啡的人的平均身高和不喝咖啡的人的平均身高之間的差異柱彻。使用你的抽樣分布,建立一個95%的置信區(qū)間餐胀。
diff_21 = []
for _ in range(10000):
    coffee_sample = sample_data.sample(200, replace = True)
    d_coffee = coffee_sample.query("age != '<21' and drinks_coffee == True")['height'].mean()
    nd_coffee = coffee_sample.query("age != '<21' and drinks_coffee == False")['height'].mean()
    diff_21.append(d_coffee - nd_coffee)
plt.hist(diff_21)
np.percentile(diff_21, 2.5), np.percentile(diff_21, 97.5)

三绒疗、總結

1.query

(1)再次鞏固了用法,可以用來表內鏈接各列骂澄。在后兩個問題中需要鏈接3個列吓蘑,其中一個列用[]表示鏈接,其余列可以通過query先鏈接坟冲。
(2)使用過程中注意query后面用()磨镶,并且內部必須是字符串格式。
(3)false和ture作為表格中默認的內容健提,不能作為字符串格式出現(xiàn)在query中琳猫。
(4)判斷列中數(shù)字取值范圍時,不能用>=這樣的表達方式私痹,但是可以用<脐嫂。用>會數(shù)據(jù)溢出∥勺瘢可以用账千!='<21'這樣的方式表達。

2.數(shù)列迭代

變量名.append()

這是Udacity數(shù)據(jù)分析(入門)課程的統(tǒng)計學lesson11的學習筆記二
轉載請注明出處

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末暗膜,一起剝皮案震驚了整個濱河市匀奏,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌学搜,老刑警劉巖娃善,帶你破解...
    沈念sama閱讀 218,386評論 6 506
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異瑞佩,居然都是意外死亡聚磺,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,142評論 3 394
  • 文/潘曉璐 我一進店門炬丸,熙熙樓的掌柜王于貴愁眉苦臉地迎上來瘫寝,“玉大人,你說我怎么就攤上這事∈秆兀” “怎么了?”我有些...
    開封第一講書人閱讀 164,704評論 0 353
  • 文/不壞的土叔 我叫張陵酸纲,是天一觀的道長捣鲸。 經常有香客問我,道長闽坡,這世上最難降的妖魔是什么栽惶? 我笑而不...
    開封第一講書人閱讀 58,702評論 1 294
  • 正文 為了忘掉前任,我火速辦了婚禮疾嗅,結果婚禮上外厂,老公的妹妹穿的比我還像新娘。我一直安慰自己代承,他們只是感情好汁蝶,可當我...
    茶點故事閱讀 67,716評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著论悴,像睡著了一般掖棉。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上膀估,一...
    開封第一講書人閱讀 51,573評論 1 305
  • 那天幔亥,我揣著相機與錄音,去河邊找鬼察纯。 笑死帕棉,一個胖子當著我的面吹牛,可吹牛的內容都是我干的饼记。 我是一名探鬼主播香伴,決...
    沈念sama閱讀 40,314評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼具则!你這毒婦竟也來了瞒窒?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 39,230評論 0 276
  • 序言:老撾萬榮一對情侶失蹤乡洼,失蹤者是張志新(化名)和其女友劉穎崇裁,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體束昵,經...
    沈念sama閱讀 45,680評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡拔稳,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,873評論 3 336
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了锹雏。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片巴比。...
    茶點故事閱讀 39,991評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出轻绞,到底是詐尸還是另有隱情采记,我是刑警寧澤,帶...
    沈念sama閱讀 35,706評論 5 346
  • 正文 年R本政府宣布政勃,位于F島的核電站唧龄,受9級特大地震影響,放射性物質發(fā)生泄漏奸远。R本人自食惡果不足惜既棺,卻給世界環(huán)境...
    茶點故事閱讀 41,329評論 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望懒叛。 院中可真熱鬧丸冕,春花似錦、人聲如沸薛窥。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,910評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽诅迷。三九已至洪己,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間竟贯,已是汗流浹背答捕。 一陣腳步聲響...
    開封第一講書人閱讀 33,038評論 1 270
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留屑那,地道東北人拱镐。 一個月前我還...
    沈念sama閱讀 48,158評論 3 370
  • 正文 我出身青樓,卻偏偏與公主長得像持际,于是被迫代替她去往敵國和親沃琅。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 44,941評論 2 355