seaborn.objects.Est#

class seaborn.objects.Est(func='mean', errorbar=('ci', 95), n_boot=1000, seed=None)#

计算点估计和误差条区间。

有关各种 errorbar 选项的更多信息，请参阅 误差条教程。

其他变量

  • weight: 当传递给使用此统计信息的层时，将计算加权估计。请注意，目前，权重的使用将函数和误差条方法的选择限制为分别为 "mean" 和 "ci"。

参数:
funcstr 或 callable

numpy.ndarray 方法的名称或向量 -> 标量函数。

errorbarstr、(str, float) 元组或 callable

误差条方法的名称（“ci”、“pi”、“se”或“sd”之一），或包含方法名称和级别参数的元组，或将向量映射到 (min, max) 区间的函数。

n_bootint

为“ci”误差条绘制的引导样本数量。

seedint

用于绘制引导样本的 PRNG 种子。

示例

默认行为是计算平均值和 95% 置信区间（使用引导方法）

p = so.Plot(diamonds, "clarity", "carat")
p.add(so.Range(), so.Est())
../_images/objects.Est_1_0.png

如果它们是 pandas 方法，则可以通过名称选择其他估计器

p.add(so.Range(), so.Est("median"))
../_images/objects.Est_3_0.png

计算误差条区间的选项有多种，例如（缩放的）标准误差

p.add(so.Range(), so.Est(errorbar="se"))
../_images/objects.Est_5_0.png

误差条还可以使用（缩放的）标准差表示围绕估计值的分布范围

p.add(so.Range(), so.Est(errorbar="sd"))
../_images/objects.Est_7_0.png

由于置信区间是使用引导方法计算的，因此会存在少量随机性。通过增加引导迭代次数来减少随机变异性（尽管这会比较慢），或者通过对随机数生成器进行播种来消除随机性

p.add(so.Range(), so.Est(seed=0))
../_images/objects.Est_9_0.png

要计算加权估计（和置信区间），请在使用该统计信息的层中分配一个 weight 变量

p.add(so.Range(), so.Est(), weight="price")
../_images/objects.Est_11_0.png