شنونکي اکثرا د دوی د کار په جریان کې د معلوماتو په جریان کې د بهرنیانو سره مخ کیږي، لکه د AB-ټیسټ تحلیل په جریان کې، د وړاندوینې ماډلونو رامینځته کول، یا د رجحاناتو تعقیب. پریکړې معمولا د نمونې معنی پر بنسټ وي، کوم چې د بهرنیانو لپاره خورا حساس دی او کولی شي په ډراماتیک ډول ارزښت بدل کړي. نو، دا مهمه ده چې د سمې پریکړې کولو لپاره د بهرنیانو اداره کول خورا مهم دي.  راځئ چې د غیر معمولي ارزښتونو سره د کار کولو لپاره ډیری ساده او ګړندي تګلارې په پام کې ونیسو.  د ستونزې جوړښت  تصور وکړئ چې تاسو اړتیا لرئ د لومړني میټریک په توګه د اوسط ترتیب ارزښت په کارولو سره د تجربې تحلیل ترسره کړئ. راځئ چې ووایو چې زموږ میټریک معمولا یو نورمال توزیع لري. همچنان ، موږ پوهیږو چې د ازموینې ګروپ کې د میټریک ویش د کنټرول څخه توپیر لري. په بل عبارت، په کنټرول کې د ویش معنی 10 ده، او په ازموینه کې 12 دی. په دواړو ګروپونو کې معیاري انحراف 3 دی.  په هرصورت، دواړه نمونې بهرنۍ نښې لري چې د نمونې وسیله او د نمونې معیاري انحراف کموي.    import numpy as np N = 1000 mean_1 = 10 std_1 = 3 mean_2 = 12 std_2 = 3 x1 = np.concatenate((np.random.normal(mean_1, std_1, N), 10 * np.random.random_sample(50) + 20)) x2 = np.concatenate((np.random.normal(mean_2, std_2, N), 4 * np.random.random_sample(50) + 1))    چې د میټریک په پام کې نیولو سره ممکن د دواړو خواو څخه بهرنیان ولري. که ستاسو میټریک یوازې د یو اړخ څخه بهر وي، میتودونه په اسانۍ سره د دې هدف لپاره بدلیدلی شي. NB  لکۍ پرې کړئ  تر ټولو آسانه طریقه دا ده چې ټولې مشاهدې   او   پرې کړئ. په دې حالت کې، موږ د معلوماتو 10٪ له لاسه ورکړو. په هرصورت، ویش ډیر جوړ شوی ښکاري، او د نمونې شیبې د توزیع شیبو ته نږدې دي.  د 5% سلنې څخه مخکې د 95% سلنې څخه وروسته   import numpy as np x1_5pct = np.percentile(x1, 5) x1_95pct = np.percentile(x1, 95) x1_cutted = [i for i in x1 if i > x1_5pct and i < x1_95pct] x2_5pct = np.percentile(x2, 5) x2_95pct = np.percentile(x2, 95) x2_cutted = [i for i in x2 if i > x2_5pct and i < x2_95pct]  بله لاره دا ده چې   مشاهدې خارج کړئ. ټيټ بانډ د 25% سلنې منفي د متقابل حد نیم نیم سره مساوي دی، او لوړ بانډ د 75% سلنې جمع نیم نیم سره مساوي دی. دلته، موږ به یوازې 0.7٪ معلومات له لاسه ورکړو. ویشونه د ابتدايي په پرتله ډیر جوړ شوي ښکاري. د نمونې شیبې حتی د توزیع شیبو سره مساوي دي.  د ځانګړي حد څخه بهر   import numpy as np low_band_1 = np.percentile(x1, 25) - 1.5 * np.std(x1) high_band_1 = np.percentile(x1, 75) + 1.5 * np.std(x1) x1_cutted = [i for i in x1 if i > low_band_1 and i < high_band_1] low_band_2 = np.percentile(x2, 25) - 1.5 * np.std(x2) high_band_2 = np.percentile(x2, 75) + 1.5 * np.std(x2) x2_cutted = [i for i in x2 if i > low_band_2 and i < high_band_2]  بوټسټپ  دوهم میتود چې موږ یې دلته په پام کې نیولی یو بوټسټریپ دی. په دې طریقه، منځنی د فرعي نمونو په څیر جوړ شوی دی. زموږ په مثال کې، د کنټرول ګروپ کې اوسط د 10.35 سره برابر دی، او د ازموینې ګروپ 11.78 دی. دا لاهم د اضافي معلوماتو پروسس کولو په پرتله غوره پایله ده.   import pandas as pd def create_bootstrap_samples( sample_list: np.array, sample_size: int, n_samples: int ): # create a list for sample means sample_means = [] # loop n_samples times for i in range(n_samples): # create a bootstrap sample of sample_size with replacement bootstrap_sample = pd.Series(sample_list).sample(n = sample_size, replace = True) # calculate the bootstrap sample mean sample_mean = bootstrap_sample.mean() # add this sample mean to the sample means list sample_means.append(sample_mean) return pd.Series(sample_means) (create_bootstrap_samples(x1, len(x1), 1000).mean(), create_bootstrap_samples(x2, len(x2), 1000).mean())  پایله  د سمې پریکړې کولو لپاره د بهرنی کشف او پروسس مهم دي. اوس، لږترلږه درې ګړندۍ او مستقیمې لارې کولی شي تاسو سره د تحلیل دمخه ډاټا چیک کولو کې مرسته وکړي.  په هرصورت، دا اړینه ده چې په یاد ولرئ چې کشف شوي بهرنیان کیدای شي غیر معمولي ارزښتونه او د نوي اغیز لپاره یو ځانګړتیا وي. مګر دا بله کیسه ده :)

effect

Series

Read My Stories

دا غږ د کیسې په اصلي ژبه تولید شوی!

بهرنی کشف: هغه څه چې تاسو ورته اړتیا لرئ پوه شئ

About Author

تبصرې

hang tags

دا مقاله په کې وړاندې شوې وه

Related Stories

We Need to Hear Both the Good and Bad Sides of Tech - Interview with Charlie G

Goodtalent is the Startup of the Year in Lagos, Nigeria

The Therapeutical Principles of Psychoanalysis

Beasts at Bay

We Need to Hear Both the Good and Bad Sides of Tech - Interview with Charlie G

Goodtalent is the Startup of the Year in Lagos, Nigeria

The Therapeutical Principles of Psychoanalysis

Beasts at Bay

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps