优秀的网页模板网站,网站开发的开发语言,企业网页代码,怎么增加网站首页权重一、统计分析 统计分析是对定量数据进行统计描述#xff0c;常从集中趋势和离中趋势两个方面分析。 集中趋势#xff1a;指一组数据向某一中心靠拢的倾向#xff0c;核心在于寻找数据的代表值或中心值-统计平均数#xff08;算数平均数和位置平均数#xff09; 算术平均数… 一、统计分析 统计分析是对定量数据进行统计描述常从集中趋势和离中趋势两个方面分析。 集中趋势指一组数据向某一中心靠拢的倾向核心在于寻找数据的代表值或中心值-统计平均数算数平均数和位置平均数 算术平均数简单算术平均数和权重算术平均数 位置平均数中位数和众数 离中趋势 极差和分位差 标准差和方差 二、集中趋势 随机生成整数和总和为1的百分占比 df pd.DataFrame({value:np.random.randint(1,100,100),f:np.random.rand(100)})
df[f] df[f]/df[f].sum() 算术平均数 mean df[value].mean()
mean_f (df[value] * df[f]).sum()/df[f].sum()
print(简单算术平均数%.2f%mean)
print(权重算术平均数%2.f%mean_f)
# 简单算术平均数48.34
# 权重算术平均数51 位置平均数 m df[value].mode().tolist() #Seris数据类型可通过tolist()或to_list()转化为列表
med df[value].median()
print(众数为,m)
print(中位数为,med)
# 众数为 [85]
# 中位数为 48.0 集中趋势密度图 df[value].plot(kind kde)plt.axvline(mean,linestyle--,color r)
plt.text(mean5,0.002,简单算术平均数,color r)plt.axvline(mean_f,linestyle--,color y)
plt.text(mean_f5,0.004,加权算术平均数,color y)plt.axvline(med,linestyle--,color g)
plt.text(med - 30,0.006,中位数,color g) 三、离中趋势 随机生成DataFrame表示对应日期的销量 df pd.DataFrame({A_sale:np.random.rand(30)*1000,B_sale:np.random.rand(30)*1000},index pd.date_range(2019/6/1,2019/6/30)) 极差和分位差 a_jc df[A_sale].max() - df[A_sale].min()
b_jc df[B_sale].max() - df[B_sale].min()
print(产品A销售额极差为%.2f,产品B销售额极差为%.2f%(a_jc,b_jc))a_des df[A_sale].describe()
b_des df[B_sale].describe()
a_iqr a_des[75%] - a_des[25%]
b_iqr b_des[75%] - b_des[25%]
print(产品A销售额分位差为%.2f,产品B销售额分位差为%.2f%(a_iqr,b_iqr))
# 产品A销售额极差为968.05,产品B销售额极差为946.94
# 产品A销售额分位差为550.63,产品B销售额分位差为479.76 箱型图展示离散关系 df.boxplot(vert False) 假设有n个样本x1、x2...xn算术平均数为x方差( (x1-x)^2 (x2-x)^2 ... (xn-x)^2 )/n标准差方差的平方根 a_std df[A_sale].std()
a_var df[A_sale].var()
b_std df[B_sale].std()
b_var df[B_sale].var()
print(产品A销售额标准差为%.2f,方差为%.2f%(a_std,a_var))
print(产品B销售额标准差为%.2f,方差为%.2f%(b_std,b_var))
# 产品A销售额标准差为304.25,方差为92565.69
# 产品B销售额标准差为297.36,方差为88424.61 密度图展示中位数、方差 fig plt.figure(figsize (12,5))
ax1 fig.add_subplot(1,2,1)
df[A_sale].plot(kind kde)
plt.axvline(a_des[50%] - a_std,linestyle --,color r)
plt.axvline(a_des[50%],linestyle --)
plt.axvline(a_des[50%] a_std,linestyle --,color y)ax2 fig.add_subplot(1,2,2)
df[B_sale].plot(kind kde)
plt.axvline(b_des[50%] - b_std,linestyle --,color r)
plt.axvline(b_des[50%],linestyle --)
plt.axvline(b_des[50%] b_std,linestyle --,color y) 转载于:https://www.cnblogs.com/Forever77/p/11349224.html
