实操演练 | 如何通过python实现描述性统计的内容？

上周学习了数据的描述性统计，总结如下：

下面以我画的两张表格来比较下各特征值的异同：

这周就以 python 具体实现下描述性统计的内容。

完整代码见 github : StatisticLearning

一、集中趋势

还是以上周的  .xlsx 文件中的 9 个家庭的人均月收入数据（单位：元）为例：

1080 750 1080 1080 850 960 2000 1250 1630

首先读取文件中的数据：

import pandas as pd
df = pd.read_excel('data/2_table1.xlsx')
data = df['月收入']

1、众数

# 众数
# 法一
print('众数为：', data.mode().iloc[0])
# 法二
from collections import Counter
counts = Counter(data)
print('众数为：', counts.most_common(1)[0][0])
# 法三
from scipy.stats import mode
mode_num = mode(data)
print('众数为：', mode_num[0][0])

2、中位数

# 中位数
# 法一
print('中位数为：', data.median())
# 法二
import numpy as np
print('中位数为：', np.percentile(data, 50))
# 法三
print('中位数为：', data.quantile(.50))

3、分位数

类似中位数的计算，可以使用 numpy 库中的 percentile 方法。

也可以使用  pandas 库中的 quantile 方法。

注意：这两个函数确定四分位数位置的方法与上一周的方法略有不同，公式如下：

下四分位数：

上四分位数：

# 分位数
# 法一
print('下四分位数为：', np.percentile(data, 25))
print('上四分位数为：', np.percentile(data, 75))
# 法二
print('下四分位数为：', data.quantile(.25))
print('上四分位数为：', data.quantile(.75))

4、平均数

• 算术平均数

  # 平均数
  # 算数平均数
  print('算数平均数为：', data.mean())
  

• 几何平均数

  # 几何平均数
  import math
  s = 1
  for i in data:
      s *= i
  print('几何平均数为：', math.pow(s, 1/len(data)))
  

二、离散程度

1、异众比率

# 异众比率
# 众数
from collections import Counter
count = Counter(data)
modeCount = count.most_common(1)[0][1]
totalCount = len(data)
# 异众比率
ratio = (totalCount - modeCount) / totalCount
print(ratio)

2、四分位差

# 四分位差
# 法一
print('四分位差为：', np.percentile(data, 75) - np.percentile(data, 25))
# 法二
print('四分位差为：', data.quantile(.75) - data.quantile(.25))

3、极差

# 极差
print('极差为：', data.max() - data.min())

4、平均差

# 平均差
meanData = data.mean()
s = 0
for i in data:
    s += (abs(i - meanData))
print('平均差为：', s/len(data))

5、方差

# 方差
print('方差为：', np.var(data))

6、标准差

# 标准差
print('标准差为：', np.std(data))

三、分布的形状

1、偏度

# 偏度
from scipy import stats
print('偏度为：', stats.skew(data))

2、峰度

# 峰度
print('峰度为：', stats.kurtosis(data))

参考资料：

《统计学（第七版）》贾俊平，所有数据都来自该书

数据的概括性度量：https://blog.csdn.net/qq_43315928/article/details/102151709

本代码的完整 github 链接：https://github.com/shiinerise/StatisticLearning