使用Python进行描述性统计

目录

1 描述性统计是什么? 2 使用NumPy和SciPy进行数值分析   2.1 基本概念   2.2 中心位置(均值、中位数、众数)   2.3 发散程度(极差,方差、标准差、变异系数)   2.4 偏差程度(z-分数)   2.5 相关程度(协方差,相关系数)   2.6 回顾 3 使用Matplotlib进行图分析   3.1 基本概念   3.2 频数分析     3.2.1 定性分析(柱状图、饼形图)     3.2.2 定量分析(直方图、累积曲线)   3.3 关系分析(散点图)   3.4 探索分析(箱形图)   3.5 回顾 4 总结


1 描述性统计是什么?

  描述性统计是借助图表或者总结性的数值来描述数据的统计手段。数据挖掘工作的数据分析阶段,我们可借助描述性统计来描绘或总结数据的基本情况,一来可以梳理自己的思维,二来可以更好地向他人展示数据分析结果。数值分析的过程中,我们往往要计算出数据的统计特征,用来做科学计算的NumPy和SciPy工具可以满足我们的需求。Matpotlob工具可用来绘制图,满足图分析的需求。


2 使用NumPy和SciPy进行数值分析

2.1 基本概念

  与Python中原生的List类型不同,Numpy中用ndarray类型来描述一组数据

 1 from numpy import array 
 2 from numpy.random import normal, randint 
 3 #使用List来创造一组数据 4 data = [1, 2, 3] 
 5 #使用ndarray来创造一组数据 
 6 data = array([1, 2, 3]) 
 7 #创造一组服从正态分布的定量数据 
 8 data = normal(0, 10, size=10) 
 9 #创造一组服从均匀分布的定性数据
10 data = randint(0, 10, size=10)

2.2 中心位置(均值、中位数、众数)

  数据的中心位置是我们最容易想到的数据特征。借由中心位置,我们可以知道数据的一个平均情况,如果要对新数据进行预测,那么平均情况是非常直观地选择。数据的中心位置可分为均值(Mean),中位数(Median),众数(Mode)。其中均值和中位数用于定量的数据,众数用于定性的数据。

  对于定量数据(Data)来说,均值是总和除以总量(N),中位数是数值大小位于中间(奇偶总量处理不同)的值:

  均值相对中位数来说,包含的信息量更大,但是容易受异常的影响。使用NumPy计算均值与中位数:

1 from numpy import mean, median
2 3 #计算均值4 mean(data)
5 #计算中位数
6 median(data)

  对于定性数据来说,众数是出现次数最多的值,使用SciPy计算众数:

1 from scipy.stats import mode
2 3 #计算众数
4 mode(data)

2.3 发散程度(极差、方差、标准差、变异系数)

  对数据的中心位置有所了解以后,一般我们会想要知道数据以中心位置为标准有多发散。如果以中心位置来预测新数据,那么发散程度决定了预测的准确性。数据的发散程度可用极差(PTP)、方差(Variance)、标准差(STD)、变异系数(CV)来衡量,它们的计算方法如下:

  极差是只考虑了最大值和最小值的发散程度指标,相对来说,方差包含了更多的信息,标准差基于方差但是与原始数据同量级,变异系数基于标准差但是进行了无量纲处理。使用NumPy计算极差、方差、标准差和变异系数:

 1 from numpy import mean, ptp, var, std 
 2  3 #极差 
 4 ptp(data) 
 5 #方差 
 6 var(data) 
 7 #标准差 
 8 std(data) 
 9 #变异系数
10 mean(data) / std(data)

2.4 偏差程度(z-分数)

  之前提到均值容易受异常值影响,那么如何衡量偏差,偏差到多少算异常是两个必须要解决的问题。定义z-分数(Z-Score)为测量值距均值相差的标准差数目:

  当标准差不为0且不为较接近于0的数时,z-分数是有意义的,使用NumPy计算z-分数:

1 from numpy import mean, std
2 3 #计算第一个值的z-分数

4 (data[0]-mean(data)) / std(data)

  通常来说,z-分数的绝对值大于3将视为异常。

2.5 相关程度

  有两组数据时,我们关心这两组数据是否相关,相关程度有多少。用协方差(COV)和相关系数(CORRCOEF)来衡量相关程度:

  协方差的绝对值越大表示相关程度越大,协方差为正值表示正相关,负值为负相关,0为不相关。相关系数是基于协方差但进行了无量纲处理。使用NumPy计算协方差和相关系数:

 1 from numpy import array, cov, corrcoef 
 2  3 data = array([data1, data2]) 
 4  5 #计算两组数的协方差 
 6 #参数bias=1表示结果需要除以N,否则只计算了分子部分 
 7 #返回结果为矩阵,第i行第j列的数据表示第i组数与第j组数的协方差。对角线为方差 
 8 cov(data, bias=1) 
 9 10 #计算两组数的相关系数
11 #返回结果为矩阵,第i行第j列的数据表示第i组数与第j组数的相关系数。对角线为
112 corrcoef(data)

2.6 回顾

方法

说明

numpy

array

创造一组数

numpy.random

normal

创造一组服从正态分布的定量数

numpy.random

randint

创造一组服从均匀分布的定性数

numpy

mean

计算均值

numpy

median

计算中位数

scipy.stats

mode

计算众数

numpy

ptp

计算极差

numpy

var

计算方差

numpy

std

计算标准差

numpy

cov

计算协方差

numpy

corrcoef

计算相关系数


3 使用Matplotlib进行图分析

3.1 基本概念

  使用图分析可以更加直观地展示数据的分布(频数分析)和关系(关系分析)。柱状图和饼形图是对定性数据进行频数分析的常用工具,使用前需将每一类的频数计算出来。直方图和累积曲线是对定量数据进行频数分析的常用工具,直方图对应密度函数而累积曲线对应分布函数。散点图可用来对两组数据的关系进行描述。在没有分析目标时,需要对数据进行探索性的分析,箱形图将帮助我们完成这一任务。

  在此,我们使用一组容量为10000的男学生身高,体重,成绩数据来讲解如何使用Matplotlib绘制以上图形,创建数据的代码如下:

View Code

3.2 频数分析

3.2.1 定性分析(柱状图、饼形图)

  柱状图是以柱的高度来指代某种类型的频数,使用Matplotlib对成绩这一定性变量绘制柱状图的代码如下:

 1 from matplotlib import pyplot 

2 3 #绘制柱状图

4 def drawBar(grades):

5 xticks = ['A', 'B', 'C', 'D', 'E'] 6 gradeGroup = {}

7 #对每一类成绩进行频数统计

8 for grade in grades:

9 gradeGroup[grade] = gradeGroup.get(grade, 0) + 1

10 #创建柱状图

11 #第一个参数为柱的横坐标

12 #第二个参数为柱的高度

13 #参数align为柱的对齐方式,以第一个参数为参考标准

14 pyplot.bar(range(5), [gradeGroup.get(xtick, 0) for xtick in xticks], align='center')

15 16 #设置柱的文字说明

17 #第一个参数为文字说明的横坐标

18 #第二个参数为文字说明的内容

19 pyplot.xticks(range(5), xticks)

20 21 #设置横坐标的文字说明

22 pyplot.xlabel('Grade')

23 #设置纵坐标的文字说明

24 pyplot.ylabel('Frequency')

25 #设置标题

26 pyplot.title('Grades Of Male Students')

27 #绘图

28 pyplot.show()

29

30 drawBar(grades)

  绘制出来的柱状图的效果如下:

  而饼形图是以扇形的面积来指代某种类型的频率,使用Matplotlib对成绩这一定性变量绘制饼形图的代码如下:

 1 from matplotlib import pyplot 
 2  3 #绘制饼形图 
 4 def drawPie(grades): 
 5     labels = ['A', 'B', 'C', 'D', 'E'] 
 6     gradeGroup = {} 
 7     for grade in grades: 
 8         gradeGroup[grade] = gradeGroup.get(grade, 0) + 1 
 9     #创建饼形图
10     #第一个参数为扇形的面积
11     #labels参数为扇形的说明文字
12     #autopct参数为扇形占比的显示格式
13     pyplot.pie([gradeGroup.get(label, 0) 
for label in labels], labels=labels, autopct='%1.1f%%')
14     pyplot.title('Grades Of Male Students')
15     pyplot.show()
16 17 drawPie(grades)

  绘制出来的饼形图效果如下:

3.2.2 定量分析(直方图、累积曲线)

  直方图类似于柱状图,是用柱的高度来指代频数,不同的是其将定量数据划分为若干连续的区间,在这些连续的区间上绘制柱。使用Matplotlib对身高这一定量变量绘制直方图的代码如下:

 1 from matplotlib import pyplot 

2 3 #绘制直方图

4 def drawHist(heights):

5 #创建直方图

6 #第一个参数为待绘制的定量数据,不同于定性数据,这里并没有事先进行频数统计

7 #第二个参数为划分的区间个数

8 pyplot.hist(heights, 100)

9 pyplot.xlabel('Heights')

10 pyplot.ylabel('Frequency')

11 pyplot.title('Heights Of Male Students')

12 pyplot.show()

13 14 drawHist(heights)

  直方图对应数据的密度函数,由于身高变量是属于服从正态分布的,从绘制出来的直方图上也可以直观地看出来:

  使用Matplotlib对身高这一定量变量绘制累积曲线的代码如下:

 1 from matplotlib import pyplot 
 2  3 #绘制累积曲线 
 4 def drawCumulativeHist(heights): 
 5     #创建累积曲线
 6     #第一个参数为待绘制的定量数据

 7     #第二个参数为划分的区间个数 
 8     #normed参数为是否无量纲化 
 9     #histtype参数为'step',绘制阶梯状的曲线

10     #cumulative参数为是否累积

11     pyplot.hist(heights, 20, normed=True, histtype='step', cumulative=True)
12     pyplot.xlabel('Heights')
13     pyplot.ylabel('Frequency')

14     pyplot.title('Heights Of Male Students')
15     pyplot.show()16 17 drawCumulativeHist(heights)

  累积曲线对应数据的分布函数,由于身高变量是属于服从正态分布的,从绘制出来的累积曲线图上也可以直观地看出来:

3.3 关系分析(散点图)

  在散点图中,分别以自变量和因变量作为横纵坐标。当自变量与因变量线性相关时,在散点图中,点近似分布在一条直线上。我们以身高作为自变量,体重作为因变量,讨论身高对体重的影响。使用Matplotlib绘制散点图的代码如下:

from matplotlib import pyplot

#绘制散点图

def drawScatter(heights, weights):

#创建散点图

    #第一个参数为点的横坐标
    #第二个参数为点的纵坐标    pyplot.scatter(heights, weights)
    pyplot.xlabel('Heights')
    pyplot.ylabel('Weights')
    pyplot.title('Heights & Weights Of Male Students')
    pyplot.show()

drawScatter(heights, weights)

  我们在创建数据时,体重这一变量的确是由身高变量通过线性回归产生,绘制出来的散点图如下:

3.4 探索分析(箱形图)

  在不明确数据分析的目标时,我们对数据进行一些探索性的分析,通过我们可以知道数据的中心位置,发散程度以及偏差程度。使用Matplotlib绘制关于身高的箱形图的代码如下:

 1 from matplotlib import pyplot

2 3 #绘制箱形图

4 def drawBox(heights):

5 #创建箱形图

6 #第一个参数为待绘制的定量数据

7 #第二个参数为数据的文字说明

8 pyplot.boxplot([heights], labels=['Heights']) 9 pyplot.title('Heights Of Male Students')

10 pyplot.show()

11 12 drawBox(heights)

  绘制出来的箱形图中,包含3种信息:

  1. Q2所指的红线为中位数
  2. Q1所指的蓝框下侧为下四分位数,Q3所指的蓝框上侧为上四分位数,Q3-Q1为四分为差。四分位差也是衡量数据的发散程度的指标之一。
  3. 上界线和下界线是距离中位数1.5倍四分位差的线,高于上界线或者低于下界线的数据为异常值。

3.5 回顾

方法

说明

bar

柱状图

pie

饼形图

hist

直方图&累积曲线

scatter

散点图

boxplot

箱形图

xticks

设置柱的文字说明

xlabel

横坐标的文字说明

ylabel

纵坐标的文字说明

title

标题

show

绘图


4 总结

  描述性统计是容易操作,直观简洁的数据分析手段。但是由于简单,对多元变量的关系难以描述。现实生活中,自变量通常是多元的:决定体重不仅有身高,还有饮食习惯,肥胖基因等等因素。通过一些高级的数据处理手段,我们可以对多元变量进行处理,例如特征工程中,可以使用互信息方法来选择多个对因变量有较强相关性的自变量作为特征,还可以使用主成分分析法来消除一些冗余的自变量来降低运算复杂度。


原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2017-03-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏申龙斌的程序人生

零基础学编程041:欧拉公式的几何意义

欧拉公式号称是最美的出自上帝之手的数学公式,即 ? ,这个公式里 e 和 π 都是无理数,i 是 -1 的平方根,是一个虚数,0和1是最简单的整数,欧拉公式把...

52690
来自专栏Petrichor的专栏

深度学习: ILSVRC竞赛

Large Scale Visual Recognition Challenge (ILSVRC):

57330
来自专栏Python数据科学

【机器学习笔记】:大话线性回归(三)

当回归模型中两个或两个以上的自变量彼此相关时,则称回归模型中存在多重共线性,也就是说共线性的自变量提供了重复的信息。

15320
来自专栏企鹅号快讯

Python数据分析与实战挖掘

基础篇 书推荐:《用python做科学计算》 ? 扩展库 简介 Numpy数组支持,以及相应的高效处理函数 Scipy矩阵支持,以及相应的矩阵数值计算模块 Ma...

66960
来自专栏AI科技评论

学界 | Yann LeCun新作,中日韩文本分类到底要用哪种编码?

AI科技评论按:前几天,Yann LeCun与其学生 张翔在arXiv上发表了一篇新作「Which Encoding is the Best for Text ...

36540
来自专栏专知

【SIGGRAPH Asia 2017 论文选读】基于图片风格特征的画家代表作选取

【导读】第十届ACM SIGGRAPH Asia亚洲电脑图形及互动技术展览会将于今年11月27日至30日,在泰国的首都-曼谷隆重举行。本篇选取文章来自我们课题组...

30940
来自专栏Java与Android技术栈

基于边缘保留滤波实现人脸磨皮的算法

快速边缘保留滤波是通过积分图像实现局部均方差的边缘保留模糊算法,计算简单而且可以做到计算量跟半径无关。 首先局部均方差滤波中计算局部均值的公式如下:

23320
来自专栏图形学与OpenGL

模拟试题B

1.灰度等级为256级,分辨率为2048*1024的显示器,至少需要的帧缓存容量为( )

37610
来自专栏图形学与OpenGL

模拟试题C

2.用编码裁剪法裁剪二维线段时,判断下列直线段采用哪种处理方法。假设直线段两个端点M、N的编码为1000和1001(按TBRL顺序)( )

40230
来自专栏量化投资与机器学习

【动态时间规整算法】之股指期货交易策略(一)

前言 Dynamic Time Warping(DTW),动态时间规整算法诞生有一定的历史了(日本学者Itakura提出),它出现的目的也比较单纯,是一种衡量两...

37070

扫码关注云+社区

领取腾讯云代金券