数据概括性度量：python求众数、中位数、分位数、平均数

数据概括性度量：python求众数、中位数、分位数、平均数

import pandas as pd

#众数
#方法一
df = pd.read_excel("./data/例4.3.xlsx")
data = df['月收入']
print('使用方法一,众数为：',data.mode().iloc[0]) #先取众数，iloc取行号（第一行）

#方法二
from collections import Counter
counts = Counter(data)
# most_common(1) ---> [(1),(2),(3),(4)] 列表里包含元组
# most_common(1)[0] ---> (1) 将列表第一个元组取出来
# most_common(1)[0][0] ---> 元组取第一个数据
print('使用方法二,众数为：',counts.most_common(1)[0][0])

#方法三
from scipy import stats
mode_num = stats.mode(data)
print("使用方法三,众数为：%d, 众数的个数为：%d,"%(mode_num[0][0], mode_num[1][0]))

#方法四
import numpy as np
# bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数
# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7
# x = np.array([0, 1, 1, 3, 2, 1, 7])
# 索引0出现了1次，索引1出现了3次，索引2出现1次，索引3出现1次，索引4出现0次，索引5出现了0次...索引7出现1次
# np.bincount(x)
# 因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1])
counts = np.bincount(data)
print(counts)
print('使用方法四,众数为：',np.argmax(counts))

#中位数
#方法一
print('使用方法一,中位数为：' ,data.median())

#方法二
print('使用方法二,中位数为：' ,np.percentile(data, 50))

#方法三
# quantile的优点是与pandas中的groupby结合使用，可以分组之后取每个组的某分位数
print('使用方法三,中位数为：', data.quantile(0.50))

#分位数
#方法一
print('使用方法一,下四位数为：',np.percentile(data, 25))
print('使用方法一,上四位数为：',np.percentile(data, 75))

#方法二
print('下四分位数为：', data.quantile(0.25))
print('上四分位数为：', data.quantile(0.75))

#算数平均数
print('平均数为：',data.mean())
#几何平均数
import math
s = 1
for i in data:
    s *= i
print('几何平均数为：',math.pow(s,1/len(data)))

#异众比率
modeCount = Counter(data).most_common(1)[0][1]
totalCount = len(data)
radio = (totalCount - modeCount) / len(data)
print('异众比率为：',radio)

#四分位差
# 法一
print('四分位差为：', np.percentile(data, 75) - np.percentile(data, 25))
# 法二
print('四分位差为：', data.quantile(0.75) - data.quantile(0.25))

# 极差
print('极差为：', data.max() - data.min())

# 平均差
meanData = data.mean()
s = 0
for i in data:
    s += (abs(i - meanData))
print('平均差为：', s/len(data))

# 方差
print('方差为：', np.var(data))

# 标准差
print('标准差为：', np.std(data))

#偏度
print('偏度为：', stats.skew(data))

#峰度
print('峰度为：', stats.kurtosis(data))

[参考文档]https://mp.weixin.qq.com/s/VVi1DFsypcvXCpyJP_rD5Q
https://blog.csdn.net/qq_43315928/article/details/102151709
https://blog.csdn.net/xlinsist/article/details/51346523