Python数据分布及统计分析

集中趋势

集中趋势，又被称为“数据的中心位置”。
它能够代表性的描绘总体数据的某一特征。通常用平均数来反映数据的集中趋势。

数值平均数，才是我们过往说的平均数，它更专业的名字，叫做“均值”。
位置平均数，指的是“中位数。

例如要获取成绩单里成绩的均值和中位数

import pandas as pd
data = pd.read_csv(r"C:\Users\17585\Desktop\成绩单.csv")
# 使用mean()函数，获取成绩单的均值
mean = data["成绩"].mean()
 # 使用median()函数，获取成绩的中位数
median = data["成绩"].median()
 # 分别输出均值和中位数
print(mean)
print(median)

绘制直方图

直方图，是一种常用来展示数值数据分布的图表。
直方图和柱状图的区别：
1.直方图体现的是数据在各个区间的分布情况。而柱状图体现的是各个数据的变化趋势。
2.直方图x轴只能是数值型数据，而柱状图可以是类别型数据。
3.直方图是连续的图形分布，y轴是这一段区间内数量的总和。而柱状图是单一的柱形，y轴是这一个值对应的数量。

绘制直方图时，可以用plt.hist函数：

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(r"C:\Users\17585\Desktop\成绩单.csv")
# 使用mean()函数，获取成绩单的均值
mean = data["成绩"].mean()
# 使用median()函数，获取成绩的中位数
median = data["成绩"].median()
# 分别输出均值和中位数
print(mean)
print(median)
# 绘制直方图,bins可以用来设置区间的数量
plt.hist(data["成绩"]，bins=100)
plt.show()

正态与偏态

正态分布，是日常生活中最为常见的一种分布状态。
它的特点是数据的分布相对均匀，并且符合统计学集中的规律。
直方图左右对称，数据的均值、中位数都相等。

而偏态，就是指数据的分布状态，并不是完全对称的。由于一些极端大、极端小的数据影响，使得数据分布会出现向左偏或者向右偏。
偏态直接反映在中位数和均值的大小上。

右偏态：中位数<均值，均值被极端大的数据影响；
左偏态：均值<中位数，均值被极端小的数据影响。

离散趋势

离散趋势，能够代表性的描绘每个数据，偏离中心值的特征。
通常用方差，标准差和四分位数来反映数据的离散趋势。

方差:
描绘的是一组数据中，每个值偏离均值的状态。
方差的统计学意义可以看作是，每一个数据，和均值之间的距离的平方的均值。

import pandas as pd
data = pd.read_csv(r"C:\Users\17585\Desktop\成绩单.csv")
#计算方差
var = data["成绩"].var()
# 计算标准差
std = data["成绩"].std()
# 分别输出方差和标准差
print(var)
print(std)

四分位数:
如果有一串数据，将这些数据从小到大排列，然后按照数据的数量进行四等分。每个部分各占25%的数据。
此时会产生3个分割点，这三个分割点，就叫四分位数。
和中位数描述的是“数据的中间位置，也就是二等分位置”一样，四分位数描述是“四等分位置”。

第一个四分位数，也就是25%的位置，叫做“下四分位数”。
第二个四分位数，也就是50%的位置，也就是“中位数”。
第三个四分位数，也就是75%的位置，叫做“上四分位”。

在pandas中，用describe()描述四分位数：

import pandas as pd
data = pd.read_csv(r"C:\Users\17585\Desktop\成绩单.csv")
# 使用describe()描述这一列的数据，并将其输出
result = data["成绩"].describe()
print(result)
#输出结果：
count    52.000000
mean     79.250000
std       8.077747
min      64.000000
25%      74.000000
50%      79.000000
75%      85.000000
max      92.000000
Name: 成绩, dtype: float64

count——数据数量
mean——均值
std——标准差
min——最小值
25%——下四分位数
50%——中位数
75%——上四分位数
max——最大值

数据分类

参数填写转换的类型，数据类型有：

1. float (浮点型)
2. int (整型)
3. bool (布尔型)
4. datetime64[ns] (日期时间)
5. timedelta[ns] (时间差)
6. category (有限长度的文本值列表)
7. object (文本)

category:
一种不常见的类型——分类数据。
简单来说，就是一种取值为有限的，或者说是固定数量的可能值
这段代码的作用是统计"所在区域"列的频数分布。

import pandas as pd
data = pd.read_csv(r"C:\Users\17585\Desktop\成绩单.csv")
# 将成绩强制转化为分类型
data["成绩"] = data["成绩"].astype("category")
print(data["成绩"].value_counts)

作者：python小桦