利用python回顾统计学中的基础概念（全）

↑ 关注 + 星标 ~ 有趣的不像个技术号

每晚九点，我们准时相约

大家好，我是黄同学

今天大家用python回顾统计学中的基础概念。

1、什么是描述性统计？

描述性统计，就是从总体数据中提取变量的主要信息(总和、均值等)，从而从总体层面上，对数据进行统计性描述。

在统计的过程中，通常会配合绘制相关的统计图来进行辅助。

2、统计量

描述性统计所提取的含有总体性值的信息，我们称为统计量。

1）常用统计量

* 频数与频率
   + 预数
   + 频率

* 集中趋势分析
   + 均值
   + 中位数
   + 众数
   + 分位数

* 离散程度分析
   + 极差
   + 方差
   + 标准差

* 分布形状
   + 偏度
   + 峰度

2）变量的类型

* 类别变量
   + 无序类别变量
   + 有序类别变量

* 数值变量
   + 连续变量
   + 离散型变量

3）本文章使用的相关python库

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
from sklearn.datasets import load_iris
from scipy import stats

sns.set(style="darkgrid")
mpl.rcParams["font.family"] = "SimHei"
mpl.rcParams["axes.unicode_minus"] = False
warnings.filterwarnings("ignore")

3、频率与频数

1）频率与频数的概念

数据的频数与频率适用于类别变量。

频数：指一组数据中类别变量的每个不同取值出现的次数。

频率：指每个类别变量的频数与总次数的比值，通常采用百分数表示。

2）代码：计算鸢尾花数据集中每个类别的频数和频率

iris = load_iris()
# iris是一个类字典格式的数据，data、target、feature_names、target_names都是键
display(iris.data[:5],iris.target[:5])
# feature_names是每一列数据的特征名。target_names是鸢尾花的属种名
display(iris.feature_names,iris.target_names)

# reshape(-1,1)表示将原始数组变为1列，但是行数这里我写一个-1，表示系统
# 会根据我指定的列数，自动去计算出行数。reshape(1,-1)含义同理
dt = np.concatenate([iris.data,iris.target.reshape(-1,1)],axis=1)
df = pd.DataFrame(dt,columns=iris.feature_names + ["types"])
display(df.sample(5))

# 计算鸢尾花数据集中每个类别出现的频数
frequency = df["types"].value_counts()
display(frequency)
percentage = frequency / len(df)
display(percentage)

frequency.plot(kind="bar")

结果如下：

4、集中趋势

1）均值、中位数、众数概念

均值：即平均值，其为一组数据的总和除以数据的个数。

中位数：将一组数据升序排列，位于该组数据最中间位置的值，就是中位数。如果数据个数为偶数，则取中间两个数值的均值。

众数：一组数据中出现次数对多的值。

2）均值、中位数、众数三者的区别

”数值变量”通常使用均值与中值表示集中趋势。

“类别变量”通常使用众数表示集中趋势。

计算均值的时候，因此容易受到极端值的影响。中位数与众数的计算不受极端值的影响，因此会相对稳定。

众数在一组数据中可能不是唯一的。但是均值和中位数都是唯一的。

在正态分布下，三者是相同的。在偏态分布下，三者会所有不同。

3）不同分布下，均值、中位数、众数三者之间的关系

记忆方法：哪边的尾巴长，就叫做 “X偏”。左边的尾巴长，就叫做“左偏”；右边的尾巴长，就叫做“右偏”。并且均值离着尾巴最近，中位数总是在最中间，众数离着尾巴最远。

4）代码：计算鸢尾花数据集中花萼长度的均值、中位数、众数

mean = df["sepal length (cm)"].mean()
display(mean)

median = df["sepal length (cm)"].median()
display(median)
# 由于series中没有专门计算众数的函数，因此需要我们统计频数最大的那些值
s = df["sepal length (cm)"].value_counts()
s = s[s.values == s.values[0]]
s.index.tolist()
t = s.index[0]
t
# scipy的stats模块中，可以计算众数
from scipy import stats
t = stats.mode(df["sepal length (cm)"])
# 注意：t展示的类字典格式的数据类型，mode展示众数，count用于展示众数出现的次数
display(t.mode,t.count)

sns.distplot(df["sepal length (cm)"])

plt.axvline(mean,ls="-",color="r",label="均值")
plt.axvline(median,ls="-",color="g",label="中值")
plt.axvline(t,ls="-",color="indigo",label="众数")
plt.legend(loc="best")

结果如下：

5、集中趋势：分位数

1）分位数的概念

分位数：将数据从小到大排列，通过n-1个分位数将数据分为n个区间，使得每个区间的数值的个数相等(近似相等)。

以四分位数为例，通过3个分位数，将数据划分为4个区间。(十分位数含义相同)

第一个分位数成为1/4分位数(下四分位数)，数据中有1/4的数据小于该分位数。

第二个分位数成为2/4分位数(中四分位数，也叫中位数)，数据中有2/4的数据小于该分位数。

第三个分位数成为3/4分位数(下四分位数)，数据中有3/4的数据小于该分位数。

2）怎么求分位数

给定一组数据(存放在数组中)，我们要如何计算其四分位值呢？首先要明确一点，四分位值未必一定等同于数组中的某个元素。

在Python中，四分位值的计算方式如下：

① 首先计算四分位的位置。

其中，位置index从1开始，n为数组中元素的个数。

② 根据位置计算四分位值。

如果index为整数(小数点后为0)，四分位的值就是数组中索引为index的元素(注意位置索引从1开始)。

如果index不是整数，则四分位位置介于ceil(index)与floor(index)之间，根据这两个位置的元素确定四分位值。

3）分位数是数组中的元素的情况

x = np.arange(10,19)
n = len(x)
# 计算每个分位数的位置，这个位置是从1开始的。但是数组元素索引从0开始的
q1_index=1+(n-1)*0.25
q2_index=1+(n-1)*0.5
q3_index=1+(n-1)*0.75
# 这里计算出来的数字是浮点类型，需要转化为小数，才能当作索引
q1_index,q2_index,q3_index

# 计算分位数
index = np.array([q1_index,q2_index,q3_index]).astype(np.int32)
index -= 1
q = x[index]
q

结果如下：

绘制图形：

plt.figure(figsize=(15,4))
plt.xticks(x)
plt.plot(x,np.zeros(len(x)),ls="",marker="D",ms=15,label="元素值")
plt.plot(x[index],np.zeros(len(index)),ls="",marker="X",ms=15,label="四分位值")
plt.legend()

结果如下：

4）分位数不是数组中的元素的情况

x = np.arange(10,20)
n = len(x)
# 计算每个分位数的位置，这个位置是从1开始的。但是数组元素索引从0开始的
q1_index=1+(n-1)*0.25
q2_index=1+(n-1)*0.5
q3_index=1+(n-1)*0.75
q1_index,q2_index,q3_index

# 计算分位数
index = np.array([q1_index,q2_index,q3_index])
index
left = np.floor(index).astype(np.int32)
left
right = np.ceil(index).astype(np.int32)
right
weight = np.modf(index)[0]
weight
q = x[left] + (x[right] - x[left]) *weight
q

结果如下：

绘制图形：

plt.figure(figsize=(15,4))
plt.xticks(x)
plt.plot(x,np.zeros(len(x)),ls="",marker="D",ms=15,label="元素值")
plt.plot(q,np.zeros(len(q)),ls="",marker="X",ms=15,label="四分位值")
plt.legend()
for v in q:
    plt.text(v,0.01,v,fontsize=15)
plt.legend()

结果如下：

5）numpy中计算分位数的函数：quantile()

x = np.arange(10,19)
np.quantile(x,[0.25,0.5,0.75])

x = np.arange(10,20)
np.quantile(x,[0.25,0.5,0.75])

结果如下：

从结果中可以看到：上述我们自己计算的分位数结果，和使用该函数计算的分位数的结果，是一样的。

6）pandas中计算分位数的函数：describe()

x = pd.Series(np.arange(10,19))
x.describe()

x = pd.Series(np.arange(10,20))
x.describe()

结果如下：

注意：describe()中可以传入percentiles参数，获取指定分位数的值。

x = pd.Series(np.arange(10,19))
x.describe(percentiles=[0.25,0.5,0.75,0.9])

结果如下：

6、离散程度

1）极差、方差、标准差的概念

2）极差、方差、标准差的作用

极差的计算非常简单，但是极差没有充分的利用数据信息。

方差(标准差)可以体现数据的“分散性”，方差(标准差)越大，数据越分散，方差(标准差)越小，数据越集中。

方差(标准差)也可以体现数据的“波动性”(稳定性)。方差(标准差)越大，数据波动性越大。

方差(标准差)越小，数据波动性越小。

当数据较大时，也可以使用n代替n-1。

3）代码：计算鸢尾花数据集中花萼长度的极差、方差、标准差

iris = load_iris()
dt = np.concatenate([iris.data,iris.target.reshape(-1,1)],axis=1)
df = pd.DataFrame(dt,columns=iris.feature_names + ["types"])
display(df.sample(5))

sub = df["sepal length (cm)"].max()  - df["sepal length (cm)"].min()
sub
var = df["sepal length (cm)"].var()
var
std = df["sepal length (cm)"].std()
std
var == std ** 2

结果如下：

绘制图形：

plt.figure(figsize=(15,4))
plt.ylim(-0.5,1.5)
plt.plot(df["sepal length (cm)"],np.zeros(len(df)),ls="",marker="o",ms=10,color="g",label="花瓣长度")
plt.plot(df["sepal width (cm)"],np.ones(len(df)),ls="",marker="o",ms=10,color="b",label="花瓣宽度")
         
plt.axvline(df["sepal length (cm)"].mean(),ls="--",color="g",label="花瓣长度均值")
plt.axvline(df["sepal width (cm)"].mean(),ls="-",color="b",label="花瓣宽度均值")

plt.legend()

结果如下：

7、分布形状：偏度和峰度

1）偏度

① 概念

偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。

如果数据对称分布(例如正态分布)，则偏度为0。

如果数据左偏分布，则偏度小于0，如果数据右偏分布，则偏度大于0。

② 代码如下

t1 = np.random.randint(1,11,100)
t2 = np.random.randint(11,21,500)
t3 = np.concatenate([t1,t2])
left_skew = pd.Series(t3)

t1 = np.random.randint(1,11,500)
t2 = np.random.randint(11,21,100)
t3 = np.concatenate([t1,t2])
right_skew = pd.Series(t3)

display(left_skew.skew(),right_skew.skew())
sns.kdeplot(left_skew,shade=True,label="左偏")
sns.kdeplot(right_skew,shade=True,label="右偏")
plt.legend()

结果如下：

2）峰度

① 概念

峰度是描述总体中所有取值分布形态陡缓程度的统计量，可以讲峰度理解为数据分布的高矮程度，峰度的比较是相对于标准正态分布的。

对于标准正态分布，峰度为0。

如果峰度大于0，说明数据在分布上比标准正态分布密集，方差(标准差)较小。

如果峰度小于0，说明数据在分布上比标准正态分布分散，方差(标准差)较大。

② 代码如下

standard_normal = pd.Series(np.random.normal(0,1,10000))
display("标准正态分布峰度",standard_normal.kurt(),"标准差：",standard_normal.std())
display("花萼长度峰度",df["sepal length (cm)"].kurt(),"标准差：",df["sepal length (cm)"].std())
display("花萼宽度峰度",df["sepal width (cm)"].kurt(),"标准差：",df["sepal width (cm)"].std())

sns.kdeplot(standard_normal,label="标准正态分布")
sns.kdeplot(df["sepal length (cm)"],label="花萼长度")
sns.kdeplot(df["sepal width (cm)"],label="花萼宽度")

结果如下：