数据集中营统计思维课程中使用的实用函数。
dc-stat-think的Python项目详细描述
#数据营统计思维工具[版本](https://img.shields.io/pypi/v/dc_stat_think.svg)(https://pypi.python.org/pypi/dc_stat_think)[![构建状态](https://img.shields.io/travis/justinbois/dc_stat戋think.svg)(https://travis-ci.org/justinbois/dc戋stat戋think)
datacamp统计思维课程中使用的实用函数。
-[python第一部分中的统计思维](https://www.datacamp.com/courses/statistical-thinking-in-python-part-1/)
-[统计思维在python第二部分中(https://www.datacamp.com/courses/statistical-thinking-in-python-part-2/)
-[统计思维的案例研究](https://www.datacamp.com/courses/case studies-in-statistical thinking/)
dc_stat撸u think
```
例如,您可以使用draw bu bs bu repus()`函数计算一些数据平均值95%的置信区间。
``python;import numpy as np
>gt;import dc_stat U think as dcst
>gt;>import numpy as np;import dc_stat_statu think as dcst;data=np.数组([1.2,3.3,3.3,2.7,2.7,2.4,5.6,
>3.4,1.4,1.4,1.4,1.3,1.3.3,3.3.3.9,3.9,2.9,2.9,2.9,2.1.1 br/>>;>;>;bs_reps=dcst.绘制bs_reps(数据,np.mean,大小=10000)
>;>conf_int=np.percentile(bs_reps,[2.5,97.5])
>;>打印(conf_int)
[2.21818182 3.60909091]
````
下面列出了显著的区别。
+dc-stat-think中的doc字符串要完整得多。
+dc-stat-think模块对输入进行错误检查。
+在大多数情况下,特别是那些涉及引导或“np.random”模块的其他使用的情况下,dc-stat-think函数在速度方面更加优化,尤其是使用[numba](http://numba.pydata.org)。不过,请注意,dc-stat-think没有利用任何并行计算。
>;data=np.数组([1.2、3.3、2.7、2.4、5.6、3.4、1.3、3.9、2.9、2.1、2.7])
>;bs_reps=dc_stat_think.original.draw_bs_reps(data,np.mean,size=10000)
>;conf_int=np.percentile(bs_reps,[2.5、97.5])
>;打印(conf_int)
[2.209091 3.59090909]
````
=
=
=
=
>0.1.0(2017-07-07-20)
>0.1.1.1(2017-07-07-20)
>0.1.2(2017-07-07-24)
>0.1.4(2017-07-07-26)
<0.0.1.1.1.0.0.0.0(2017-/>
datacamp统计思维课程中使用的实用函数。
-[python第一部分中的统计思维](https://www.datacamp.com/courses/statistical-thinking-in-python-part-1/)
-[统计思维在python第二部分中(https://www.datacamp.com/courses/statistical-thinking-in-python-part-2/)
-[统计思维的案例研究](https://www.datacamp.com/courses/case studies-in-statistical thinking/)
dc_stat撸u think
```
例如,您可以使用draw bu bs bu repus()`函数计算一些数据平均值95%的置信区间。
``python;import numpy as np
>gt;import dc_stat U think as dcst
>gt;>import numpy as np;import dc_stat_statu think as dcst;data=np.数组([1.2,3.3,3.3,2.7,2.7,2.4,5.6,
>3.4,1.4,1.4,1.4,1.3,1.3.3,3.3.3.9,3.9,2.9,2.9,2.9,2.1.1 br/>>;>;>;bs_reps=dcst.绘制bs_reps(数据,np.mean,大小=10000)
>;>conf_int=np.percentile(bs_reps,[2.5,97.5])
>;>打印(conf_int)
[2.21818182 3.60909091]
````
下面列出了显著的区别。
+dc-stat-think中的doc字符串要完整得多。
+dc-stat-think模块对输入进行错误检查。
+在大多数情况下,特别是那些涉及引导或“np.random”模块的其他使用的情况下,dc-stat-think函数在速度方面更加优化,尤其是使用[numba](http://numba.pydata.org)。不过,请注意,dc-stat-think没有利用任何并行计算。
>;data=np.数组([1.2、3.3、2.7、2.4、5.6、3.4、1.3、3.9、2.9、2.1、2.7])
>;bs_reps=dc_stat_think.original.draw_bs_reps(data,np.mean,size=10000)
>;conf_int=np.percentile(bs_reps,[2.5、97.5])
>;打印(conf_int)
[2.209091 3.59090909]
````
=
=
=
=
>0.1.0(2017-07-07-20)
>0.1.1.1(2017-07-07-20)
>0.1.2(2017-07-07-24)
>0.1.4(2017-07-07-26)
<0.0.1.1.1.0.0.0.0(2017-/>