数据的描述性统计
Posted zgq25302111
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据的描述性统计相关的知识,希望对你有一定的参考价值。
一、Numpy简介
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
NumPy 是一个运行速度非常快的数学库,主要用于数组计算,包含:
- 一个强大的N维数组对象 ndarray
- 广播功能函数
- 整合 C/C++/Fortran 代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
NumPy 通常与 SciPy(Scientific Python)和 Matplotlib(绘图库)一起使用, 这种组合广泛用于替代 MatLab,是一个强大的科学计算环境,有助于我们通过 Python 学习数据科学或者机器学习。
SciPy 是一个开源的 Python 算法库和数学工具包。
SciPy 包含的模块有最优化、线性代数、积分、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算。
Matplotlib 是 Python 编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它为利用通用的图形用户界面工具包,如 Tkinter, wxPython, Qt 或 GTK+ 向应用程序嵌入式绘图提供了应用程序接口(API)。
二、描述性统计量
三、描述性统计量实现
1 import numpy as np 2 from scipy import stats 3 from numpy import mean, ptp, var, std 4 data=np.array([17, 19, 26, 29, 35, 19, 21]) 5 6 w = [0.1, 0.1, 0.2, 0.1, 0.3, 0.1, 0.1] 7 8 print("排序:",np.sort(data)) 9 print("求和:",np.sum(data)) 10 11 print("\\n集中趋势") 12 13 print("众数:",stats.mode(data)[0][0]) 14 print("中位数:",np.median(data)) 15 print("平均数:",np.mean(data)) 16 print("25%分位数:",np.percentile(data, 25)) 17 print("50%分位数:",np.percentile(data, 50)) 18 print("75%分位数:",np.percentile(data, 75)) 19 print("四分位差:",np.percentile(data, 75)-np.percentile(data, 25)) 20 21 print("极差:",ptp(data)) 22 print("加权平均数:",np.average(data,weights=w)) 23 print("几何平均数:",stats.gmean(data)) 24 25 print("\\n离中趋势") 26 27 print("方差:",var(data)) 28 print("标准差:",std(data)) 29 print("平均差:",np.sum(abs(data-np.mean(data)))/len(data)) 30 print("异众比率:",1-stats.mode(data)[1][0]/len(data)) 31 print("离散系数:",std(data)/np.mean(data)) 32 print("偏态系数:",stats.skew(data)) 33 print("峰态系数:",stats.kurtosis(data))
运行结果:
排序: [17 19 19 21 26 29 35] 求和: 166 集中趋势 众数: 19 中位数: 21.0 平均数: 23.714285714285715 25%分位数: 19.0 50%分位数: 21.0 75%分位数: 27.5 四分位差: 8.5 极差: 18 加权平均数: 26.200000000000003 几何平均数: 22.996368449077114 离中趋势 方差: 36.775510204081634 标准差: 6.0642815076546075 平均差: 5.387755102040816 异众比率: 0.7142857142857143 离散系数: 0.25572271417820636 偏态系数: 0.6820851611428496 峰态系数: -0.8763434634842784
以上是关于数据的描述性统计的主要内容,如果未能解决你的问题,请参考以下文章