利用Python求数据的极差、均值、中位数、分位数、方差、标准差、标准误、变异系数

import numpy as np
import scipy.stats as st
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
import seaborn as sns

# 正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
# 正常显示负号
plt.rcParams['axes.unicode_minus'] = False

# 学生体重测试数据
weights = np.array([75.0, 64.0, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5,
                    66.6, 64.0, 57.0, 69.0, 56.9, 50.0, 72.0])

# 极差
R_weights = np.max(weights) - np.min(weights)
print('体重数据的极差：%0.2f' % R_weights)

# 均值的两种方式
w_mean = np.mean(weights)
w_mean1 = weights.mean()
# 限定范围的数据求均值
limitedMean = st.tmean(weights, (60, 70))  # 排除离群值（只统计60~70之间的数据）：：注意不要想当然的排除

# 对数据进行排列
sorted_weig = sorted(weights, reverse=True)

# 求中位数（在对称分布比如正态分布和T分布，均值和中位数很接近；在偏态分布的情况下，比如F分布，均值和中位数相差较大）
median_weig = np.median(weights)
# 分位数
quantiles = np.quantile(weights, [0.1, 0.2, 0.4, 0.6, 0.8, 1])
print('学生体重的[10%,20%,40%,60%,80%,100%]分位数：', quantiles)

# 方差和方差的无偏估计
v = np.var(weights)  # 有偏估计或样本方差：：这里的样本误差其实指的是母体误差，也就是说除以的是n而非（n-1）
v_unb = st.tvar(weights)  # 无偏估计，也就是真正意义上的样本误差
print('体重数据方差的估计为：%0.2f,无偏估计为：%0.2f' % (v, v_unb))  # 有一说一，这样写真难受，等我学好fromat后，必不再用0.2f

# 标准差，同样存在有偏和无偏估计
s = np.std(weights)  # 有偏的标准差，同上
s_unb = st.tstd(weights)  # 无偏的标准差，同上
print('体重数据标准差的估计为：%0.2f,无偏估计为：%0.2f' % (s, s_unb))

# 标准误
sm_weights = st.tstd(weights) / np.sqrt(len(weights))
print('体重数据的标准误：%0.2f' % sm_weights)

# 变异系数(标准差的无偏估计除以均值再乘100)，无量纲，百分数表示
cv = s_unb / w_mean * 100
print('体重数据的变异系数为：', np.round(cv, 2), '%')