简单数据处理（相关系数，协方差，t检验）

数据的处理可谓是重中之重，在衡量数据的好坏，确定接下来各项工作的可行性等方面都不能少了它，那么今天就让我们一起去学习怎么样实现简单数据的各项操作吧！

1.平均数

import numpy as np
import pandas as pd
import statsmodels.api as sm
from scipy import stats
z = pd.read_csv(r'D:\excel\p027.csv')
x = z['X']
y = z['Y']
global x,y                               # 固定x,y的值
x_mean = np.mean(x)           # 通过numpy库中的mean函数直接得到x的平均数
y_mean = np.mean(y)
print("x的平均值为",x_mean)
print("y的平均值为",y_mean)

2.协方差 相关系数

法1：

stdx = np.std(x,ddof=1)     # 求x的标准差
stdy = np.std(y,ddof=1)
covxy = np.cov(x,y)[0][1]   # 求协方差，[0][1]必须加，相当于索引
corxy = covxy/(stdx*stdy)  # 求相关系数的公式
print("x的标准差为",stdx)
print("y的标准差为",stdy)
print("x和y的协方差为",covxy)
print("x和y的相关系数为",corxy)

法2：

3.β0和β1的值

def parameter(x,y):
    x_mean = np.mean(x)
    y_mean = np.mean(y)
    sum_xydeviation = 0                  # 定义变量
    sum_xdeviation = 0
    sum_ydeviation = 0
    for i in range(len(x)):
        sum_xydeviation+=((y[i]-y_mean)*(x[i]-x_mean))    # 式子求和
        sum_xdeviation+=(x[i]-x_mean)**2
    bete1 = sum_xydeviation/sum_xdeviation
    bete0 = y_mean-x_mean*bete1
    return bete1,bete0
print('β1='+str(parameter(x,y)[0]))
print('β0='+str(parameter(x,y)[1])) 

4.回归参数的置信区间

5.t检验

 

6.可决系数

SST = 0
for i in range(n):
    SST+=(y[i]-y_mean)**2
R = 1-SSE/SST
print('R=',R)