10 个Python统计分析常用的经典脚本分享_Python

在数据科学和统计分析中，python 是一门非常流行的语言。它凭借其丰富的库和简洁的语法，使得数据处理和分析变得相对容易。在这篇文章中，我们将介绍 10 个经典的 python 脚本，用于执行日常的统计分析任务。这些示例不仅适合新手学习，还结合了生活中的实际例子，以便更容易理解。

1. 计算平均值

平均值是衡量一组数值中心趋势的重要指标，通常通过将所有数值相加后除以数量得到。

假设你刚刚参加了一场考试，分数分别为 85、90、78、92 和 88，想知道你的平均分数。

# 定义一个列表存储分数
scores = [85, 90, 78, 92, 88]

# 计算平均值
average_score = sum(scores) / len(scores)

# 打印结果
print("你的平均分数是:", average_score)

2. 计算中位数

中位数是将一组数值按大小排列后，位于中间位置的数值。当数据量为偶数时，中位数是中间两个数的平均值。

如果你想了解你和朋友们（分数为 70、80、90、85、95）的成绩中间的表现，你可以计算中位数。

# 导入 statistics 模块
import statistics

# 定义一个列表存储分数
scores = [70, 80, 90, 85, 95]

# 计算中位数
median_score = statistics.median(scores)

# 打印结果
print("你的中位数分数是:", median_score)

3. 计算众数

众数是数据集中出现频率最高的数值。在某些情况下，可能会有多个众数。

考虑你调查了同学最喜欢的水果，调查结果为 ["苹果", "香蕉", "苹果", "橙子", "香蕉"]，你想知道哪个水果最受欢迎。

# 导入 statistics 模块
import statistics

# 定义一个列表存储水果偏好
fruits = ["苹果", "香蕉", "苹果", "橙子", "香蕉"]

# 计算众数
mode_fruit = statistics.mode(fruits)

# 打印结果
print("最受欢迎的水果是:", mode_fruit)

4. 计算标准差

标准差是衡量一组数值离散程度的指标，反映数据的分散程度，值越小表示数据越集中。

你想知道你的考试成绩（如 75、80、85、90、100）的稳定性，可以通过标准差来衡量。

# 导入 statistics 模块
import statistics

# 定义一个列表存储分数
scores = [75, 80, 85, 90, 100]

# 计算标准差
std_deviation = statistics.stdev(scores)

# 打印结果
print("你的考试成绩的标准差是:", std_deviation)

5. 频率分布表

频率分布表用于显示各个数值或类别出现的次数，以便直观了解数据分布情况。

你收集了班级同学的考试分数，想要查看每个分数区间内有多少人。

# 导入 pandas 库
import pandas as pd

# 定义一个列表存储分数
scores = [70, 75, 80, 85, 90, 75, 95, 85, 80, 70]

# 创建 dataframe
df = pd.dataframe(scores, columns=['score'])

# 生成频率分布表
frequency_table = df.value_counts(bins=5)  # 将分数分为 5 个区间

# 打印结果
print("频率分布表:\n", frequency_table)

6. 画出直方图

直方图是一种可视化工具，用于展示数值型数据的分布情况，通过将数据分为若干区间并计数每个区间内的数据点。

假设你记录了一周内每天的步数，想绘制直方图以观察步数的分布情况。

# 导入 matplotlib 库
import matplotlib.pyplot as plt

# 定义一个列表存储步数
steps = [3000, 5000, 7000, 8000, 12000, 4000, 6000]

# 绘制直方图
plt.hist(steps, bins=5, color='skyblue', edgecolor='black')
plt.title('每日步数分布')
plt.xlabel('步数')
plt.ylabel('天数')
plt.show()

7. 相关性分析

相关性分析用于确定两个变量之间的关系强度和方向，常用的方法是皮尔逊相关系数。

如果你想分析学习时间与考试成绩之间的关系，相关性分析可以帮助你找到答案。

# 导入 numpy 和 scipy.stats 库
import numpy as np
from scipy import stats

# 定义学习时间和成绩
study_time = [1, 2, 3, 4, 5]  # 学习小时数
scores = [50, 60, 65, 80, 90]  # 对应的分数

# 计算相关系数
correlation_coefficient, p_value = stats.pearsonr(study_time, scores)

# 打印结果
print("学习时间与成绩之间的相关系数是:", correlation_coefficient)

8. 小组比较：t 检验

t 检验用于比较两组样本均值是否有显著差异，常用于实验研究。

假设你想比较两种教学方法对学生成绩的影响，可使用 t 检验。

# 导入 scipy.stats 库
from scipy import stats

# 定义两组分数
method_a_scores = [80, 85, 90, 95, 100]
method_b_scores = [75, 80, 85, 90, 95]

# 进行 t 检验
t_statistic, p_value = stats.ttest_ind(method_a_scores, method_b_scores)

# 打印结果
print("t 检验结果: t 统计量 =", t_statistic, ", p 值 =", p_value)

9. 线性回归分析

线性回归是一种用于预测和建模的方法，通过拟合一条最佳拟合线来描述两个变量之间的关系。

如果你想根据广告支出预测销售额，可以使用线性回归分析。

# 导入 sklearn 库
from sklearn.linear_model import linearregression
import numpy as np

# 定义广告支出和销售额
advertising_spent = np.array([1000, 2000, 3000, 4000, 5000]).reshape(-1, 1)
sales = np.array([15000, 25000, 35000, 45000, 55000])

# 创建线性回归模型并训练
model = linearregression()
model.fit(advertising_spent, sales)

# 打印回归系数
print("线性回归系数 (广告支出与销售额):", model.coef_[0])

10. 使用 pandas 进行数据清洗

数据清洗是数据分析中非常重要的一步，通过处理缺失值、重复数据等，提高数据质量。

假设你从网上下载了一份包含用户信息的文件，其中一些行缺失了年龄信息。

# 导入 pandas 库
import pandas as pd

# 创建 dataframe 包含用户信息
data = {
    '姓名': ['alice', 'bob', 'charlie', 'david'],
    '年龄': [25, none, 30, 35],
    '城市': ['北京', '上海', '广州', '深圳']
}
df = pd.dataframe(data)

# 去除缺失年龄的行
cleaned_df = df.dropna(subset=['年龄'])

# 打印清洗后的数据
print("清洗后的用户信息:\n", cleaned_df)