数据学习（三）-理论的实践

集中趋势
离散趋势
分布形状
数据的读入

基本数据的描述
包括平均数，标准差，最小、最大值，四分位数，中位数。

#求众数
counts = np.bincount(data['data'])
#返回众数
np.argmax(counts)

#众数为：


```python
#求解四分位差
a=np.percentile(data, (25, 50, 75), interpolation='midpoint')
Q=a[2]-a[0]
Q
#四分位差 为：

结果如下所示：

#求方差
#求方差
ave=data.mean()
ave
su=0
for i in data['data']:
    su+=pow(abs(ave-i),2)
su=su/(data['data'].count()-1)
s=np.sqrt(su)
print("方差为：",su)
print("标准差为：",s)
#方差为：
#标准差为：

结果如下所示：

#求异纵比率

#首先求众数的频数
num_M=data[data['data']==1].count()
print("众数的频数为：",num_M)

#然后非众数的频数
num_pM=data['data'].count()-num_M
print("非众数的频数为",num_pM)

V=1-num_M/data['data'].count()
print("异纵比率为：",V)

结果如下：

上述结果可以看出异纵比率的值是0.7925，说明数值较大，说明非众数的频数越高。

#求标准分数
z=[]
for i in data['data']:
    a=(i-ave)/s
    z.append(a)
print("标准分数位：",z)

结果如下所示：

#求离散系数
v=s/ave
print("离散系数为：",v)

上述结果可知离散系数值为0.636915，说明离散系数不是特别大，说明数据的离散程度没有特别大。

#求偏态系数
n=data['data'].count()
s3=0
for i in data['data']:
    s3+=pow(i-ave,3)
sk=(n*s3)/((n-1)*(n-2)*pow(s,3))
print("偏态系数为：",sk)

结果如下所示：

从上述结果可知，偏态系数值为0.592859，不为0，说明数据分布是非对称性的。

#求峰态系数
s4=0
s2=0
for i in data['data']:
    s4+=pow(i-ave,4)
    s2+=pow(i-ave,2)
k=(n*(n+1)*s4-3*(n-1)*pow(s2,2))/((n-1)*(n-2)*(n-3)*pow(s,4))
print("峰态系数为：",k)

结果如下所示：

从上述结果可知，峰态系数值为-0.623715，由于K小于0，说明电脑销售量的分布于正态分布相比略有一些平峰。