Python数据分析中常见统计方法详解
更新时间：2024年02月19日 14:11:24 作者：Sitin涛哥
数据分析是现代社会中不可或缺的一部分,通过对数据的统计和分析,我们可以得出有用的信息和见解,本文将介绍在?Python?中常见的数据统计方法,希望对大家有所帮助
（福利推荐：【腾讯云】服务器最新限时优惠活动，云服务器1核2G仅99元/年、2核4G仅768元/3年，立即抢购>>>：9i0i.cn/qcloud）
（福利推荐：你还在原价购买阿里云服务器？现在阿里云0.8折限时抢购活动来啦！4核8G企业云服务器仅2998元/3年，立即抢购>>>：9i0i.cn/aliyun）
数据分析是现代社会中不可或缺的一部分，通过对数据的统计和分析，我们可以得出有用的信息和见解，支持决策和解决问题。本文将介绍在 Python 中常见的数据统计方法，包括描述性统计、假设检验、回归分析等，并提供详细的示例代码。
描述性统计
描述性统计是数据分析的第一步，它帮助了解数据的基本特征。以下是一些常见的描述性统计方法：
1. 平均值（均值）
平均值是数据集中所有数据的总和除以数据点的数量，用于衡量数据的集中趋势。
import numpy as np
data = [10, 20, 30, 40, 50]
mean = np.mean(data)
print("平均值：", mean)
2. 中位数
中位数是数据集中的中间值，将数据排序后位于中间位置的值。
import numpy as np
data = [10, 20, 30, 40, 50]
median = np.median(data)
print("中位数：", median)
3. 众数
众数是数据集中出现次数最多的值。
from statistics import mode
data = [10, 20, 30, 20, 50, 20]
mode_value = mode(data)
print("众数：", mode_value)
4. 标准差和方差
标准差和方差度量了数据的离散程度，标准差是方差的平方根。
import numpy as np
data = [10, 20, 30, 40, 50]
std_deviation = np.std(data)
variance = np.var(data)
print("标准差：", std_deviation)
print("方差：", variance)
5. 百分位数
百分位数表示数据中小于或等于给定百分比的观察值。常见的百分位数包括第25、第50和第75百分位数，分别对应于数据的下四分位数、中位数和上四分位数。
import numpy as np
data = [10, 20, 30, 40, 50]
q1 = np.percentile(data, 25)
median = np.percentile(data, 50)
q3 = np.percentile(data, 75)
print("下四分位数（Q1）：", q1)
print("中位数：", median)
print("上四分位数（Q3）：", q3)
假设检验
假设检验是用于验证关于总体统计特征的假设的方法。以下是一些常见的假设检验方法：
1. t-检验
t-检验用于比较两组数据之间的均值是否具有统计显著性差异。
import scipy.stats as stats
group1 = [25, 30, 35, 40, 45]
group2 = [20, 28, 32, 38, 42]
t_statistic, p_value = stats.ttest_ind(group1, group2)
print("t-统计量：", t_statistic)
print("p-值：", p_value)
2. 卡方检验
卡方检验用于确定两个分类变量之间是否存在相关性。
import scipy.stats as stats
observed = [[10, 20], [30, 40]]
chi2, p, dof, expected = stats.chi2_contingency(observed)
print("卡方统计量：", chi2)
print("p-值：", p)
3. 方差分析
方差分析用于比较多个组之间的均值是否存在统计显著性差异。
import scipy.stats as stats
group1 = [25, 30, 35, 40, 45]
group2 = [20, 28, 32, 38, 42]
group3 = [15, 18, 25, 30, 35]
f_statistic, p_value = stats.f_oneway(group1, group2, group3)
print("F-统计量：", f_statistic)
print("p-值：", p_value)
回归分析
回归分析用于探究变量之间的关系，其中最常见的是线性回归。
线性回归
线性回归用于拟合数据并确定自变量与因变量之间的线性关系。
import numpy as np
from scipy.stats import linregress
import matplotlib.pyplot as plt
???????x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 5, 4, 5])
slope, intercept, r_value, p_value, std_err = linregress(x, y)
plt.scatter(x, y)
plt.plot(x, slope * x + intercept, color='red')
plt.xlabel('自变量')
plt.ylabel('因变量')
plt.show()
print("斜率：", slope)
print("截距：", intercept)
print("相关系数：", r_value)
print("p-值：", p_value)数据可视化
数据可视化是数据分析的重要部分，它可以帮助更好地理解数据和趋势。
1. 直方图
直方图用于展示数据的分布情况。
import numpy as np
import matplotlib.pyplot as plt
data = np.random.randn(1000) # 生成随机数据
plt.hist(data, bins=20, density=True, alpha=0.6, color='g')
plt.xlabel('值')
plt.ylabel('频率')
plt.title('直方图')
plt.show()
2. 散点图
散点图用于展示两个变量之间的关系。
import numpy as np
import matplotlib.pyplot as plt
x = np.random.randn(100)
y = 2 * x + np.random.randn(100) # 创建线性关系
plt.scatter(x, y, marker='o', color='b', alpha=0.6)
plt.xlabel('自变量')
plt.ylabel('因变量')
plt.title('散点图')
plt.show()
以上只是数据分析中常见的一些统计方法和数据可视化技巧的示例，实际应用中可能需要根据具体问题选择合适的方法。
到此这篇关于Python数据分析中常见统计方法详解的文章就介绍到这了,更多相关Python数据分析内容请搜索程序员之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持程序员之家！
相关文章
观察者模式：是一种行为型设计模式。主要关注的是对象的责任，允许你定义一种订阅机制，可在对象事件发生时通知多个"观察"该对象的其他对象。本文将利用观察者模式实现日志实时监测，需要的可以参考一下2022-04-04
如何实现删除numpy.array中的行或列？今天小编就为大家分享一篇对删除numpy.array中行或列的实例讲解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-05-05
今天小编就为大家分享一篇python跳过第一行快速读取文件内容的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-07-07
这篇文章主要介绍了django上传图片并生成缩略图方法示例,具有一定借鉴价值，需要的朋友可以参考下。2017-12-12
今天小编就为大家分享一篇pandas每次多Sheet写入文件的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
这篇文章主要为大家详细介绍了Python梯度下降法的简单示例，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-08-08
这篇文章主要介绍了完美解决keras保存好的model不能成功加载问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-06-06
玩过电脑游戏的同学对于外挂肯定不陌生，但是你在用外挂的时候有没有想过如何做一个外挂呢?那我们就来看一下如何用python来制作一个外挂2018-01-01
ipaddress库提供了处理IPv4与IPv6网络地址的类。这些类支持验证，查找网络上的地址和主机，以及其他常见的操作，本文就来介绍一下这些方法的使用，感兴趣的一起来了解一下2021-06-06
这篇文章主要介绍了Python实现K折交叉验证法的方法步骤，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-07-07
最新评论