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-/>
欢迎加入QQ群-->： 979659372
