初始化 0.0.2

激励示例 - A/B测试

想象我们拥有一个网站，并认为更改“订阅”按钮的颜色将提高注册率。衡量改进的一种方法是通过A/B测试进行，其中我们向50%的人展示旧版本，向另外50%的人展示新版本。我们可以使用初始化来了解按钮颜色如何提高响应率，并给出与测试相关的误差棒 - 这将给出我们期望变化有多好的下限和上限！

要点 - 样本均值

给定一组数据 - 我们可以通过从我们所收集的“重新抽样”来生成大量新的样本。我们计算每个生成样本的均值。我们可以使用生成样本的均值来了解更大人群中的变化，并可以构建真实均值的误差棒。

初始化 - 优点

• 高效计算置信区间

• 处理单个群体和a/b测试的函数

• 了解统计功效的函数

• 多线程支持，以加速初始化计算

• 支持密集和稀疏数组

示例用法

import numpy as np
import bootstrapped.bootstrap as bs
import bootstrapped.stats_functions as bs_stats

mean = 100
stdev = 10

population = np.random.normal(loc=mean, scale=stdev, size=50000)

# take 1k 'samples' from the larger population
samples = population[:1000]

print(bs.bootstrap(samples, stat_func=bs_stats.mean))
>> 100.08  (99.46, 100.69)

print(bs.bootstrap(samples, stat_func=bs_stats.std))
>> 9.49  (9.92, 10.36)

要求

bootstrapped 需要安装 numpy。功率分析函数需要 matplotlib 和 pandas。

安装

pip install bootstrapped

bootstrapped 的工作原理

bootstrapped 提供基于重采样（替换）的基于经验的重要（即经验）置信区间。还提供了百分位数方法。

更多信息请参阅

1. Bootstrap 置信区间（良好介绍）

2. Bootstrap 方法简介

3. Bootstrap，高级数据分析

4. 当 Bootstrap 不起作用时

5. （书籍）Bootstrap 简介

6. （书籍）Bootstrap 方法及其应用

有关如何帮助的更多信息，请参阅 CONTRIBUTING 文件。

许可证

bootstrapped 采用 BSD 许可证。我们还提供额外的专利许可。