Analisis数据Eksplorasi-Bagian 1
Analisis数据Eksplorasi — Bagian 2
Analisis数据Eksplorasi-Bagian 3
卡苏斯3
吉卡·尼莱·拉塔拉·凯洛姆波克A，莱比赫·贝萨·达里·凯洛姆帕克B，apakah hal tersebut menandakan Diskusikan下颚骨setelah menyelesaikan langkah-langkah berikut！
兰卡1
Asumsikan kita memiliki 2 名单 angka，X dan Y，正常分布。 X dan Y memiliki nilai simpangan baku yaitu 1，纳蒙·拉塔拉塔X berbeda dari rata-rata Y. Jika selisih rata-rata X丹甘拉塔-拉塔Y lebih besar dari 0 dan a adalah nilai titik potong，bagaimana proporsi X> a dibanding Y> a？
bubu sebuah 函数的性能比2的比例：Pr（X> a）/ Pr（Y> a）merupakan 函数的选择比例X和比例比例Y。
Asumsikan Y berdistribusi正态平均数为0。
坦皮尔坎库尔瓦·瑟里斯·尼莱
在[1]中：
将numpy导入为np
将熊猫作为pd导入
导入matplotlib.pyplot作为plt
“”
功能
--------
比例法线
返回2个比例的rasio：
Pr（X> a）/ Pr（Y> a）merupakan函数
瑟莉丝·拉塔拉塔X
丹拉塔拉塔河
参数
----------
差异：selisih rata-rata X
丹拉塔拉塔河
一个：nilai titik potong
返回
-------
Mengembalikan rasio 2 proporsi：
Pr（X> a）/ Pr（Y> a）
康托
-------
>>> ratioNormals（diff = 1，a = 2）
“”
def ratioNormals（diff，a）：
X = scipy.stats.norm（loc = diff，scale = 1）
Y = scipy.stats.norm（loc = 0，scale = 1）
返回 X.sf（a）/ Y.sf（a）
在[2]中：
＃beri nilai diff dengan range 0 sampai 5 sebanyak 50 kali
差异= np.linspace（0，5，50）
a_values = range（2,6）
＃Buat plot库尔瓦
＃Pr（X> a）/ Pr（Y> a）阿达拉函数diff
＃untuk semua nilai a
plt.figure（figsize =（8,5））;
对于 a_values 中的 a：
ratios = [RiffNormals（diff，a） for diff 中的差异]
plt.plot（差异，比率）
＃ 标签
plt.legend（[[a = {} “ .format（a） for a_values]，loc = 0）;
plt.xlabel（'Diff'）;
plt.ylabel（'Pr（X> a）/ Pr（Y> a）'）;
plt.title（'Pr（X> a）与Pr（Y> a）的比值与Diff的关系'）;
＃Gunakan skala log sehingga kurva bisa terlihat secara aktual
plt.yscale（'log'）
兰卡2
《个人概观》第2篇：亚洲和美国的Selatan。 数据杨digunakan dapat dilihat pada artikel sebelumnya。 Perkirakan rata-rata pendapatan per individu dari setiap negara yang ada di 2 wilayah tersebut。 Wilayah mana yang memiliki pendapatan perdividu lebih besar di antara negara-negara di wilayah tersebut。 Misalkan Pada Tahun 2012年。
在[3]中：
merged = mergeByYear（2012）.groupby（'Region'，as_index = False ）.mean（）
合并= merged.loc [（merged.Region ==“ ASIA”）| （merged.Region ==“南美”）]
merged.Income = np.round（merged.Income，2）
合并
亚洲memiliki pendapatan lebih besar dibandingkan dengan亚洲Selatan。 Kita juga bisa membuat boxplot untuk mengetahui distribution pendapatan 2 benua dengan skala dollar dan log10（dollar）。
在[4]中：
df = mergeByYear（2012）
df = df.loc [（df.Region ==“ ASIA”）| （df.Region ==“ SOUTH AMERICA”）]
df.boxplot（'Income'，by ='Region'，rot = 90）
plt.ylabel（'每人收入（美元）'）
在[5]中：
df = mergeByYear（2012）
df = df.loc [（df.Region ==“ ASIA”）| （df.Region ==“ SOUTH AMERICA”）]
df.boxplot（'Income'，by ='Region'，rot = 90）
plt.ylabel（'每人收入（log10等级）'）
plt.yscale（'log'）
兰卡3
Hitung proporsi negara dengan pendapatan每张单价10.000美元。 Wilayah mana yang memiliki proporsi lebih besar untuk negara dengan pendapatan perdividu yang lebih dari 10.000 dollar？ 杰卡·卡班巴班娜（Jikajawabannya）berbeda丹根·卡巴班帕达·兰卡2（jekakan alasannya）！ 塔尔（Misalkan tahun），2012年。
在[6]中：
def ratioCountries（groupedData，a）：
prop = [len（group.Income [group.Income> = a]）/ float（len（group.Income.dropna（））） for groupedData中的键，组]
z = pd.DataFrame（groupedData.mean（）。index，列= ['Region']）
z ['Mean'] = np.round（groupedData.mean（）。values，2）
z ['P（X> ％g ）'％a] = np.round（prop，4）
返回 z
df = mergeByYear（2012）.groupby（'Region'）
df_ratio = ratioCountries（df，1e4）
df_ratio = df_ratio [（df_ratio.Region =='ASIA'）| （df_ratio.Region =='SOUTH AMERICA'）]
df_ratio
Amerika Selatan memiliki proporsi lebih besar untuk negara dengan pendapatan lebih dari 10.000美元Dibanding dengan亚洲。 2。卡雷娜·亚洲·泰达克·梅米利基（Karena Asia tidak memiliki）正常分布。
