python 抽样_python实现抽样分布描述

本次使用木东居士提供数据案例，验证数据分布等内容，

参考链接：https://www.jianshu.com/p/6522cd0f4278

#数据读取

df = pd.read_excel('C://Users//zxy//Desktop//data.xlsx',usecols = [1,2,3])

1.按照港口分类，计算各类港口数据 年龄、车票价格的统计量。

df1 = df.groupby(['Embarked'])

df1.describe()

或

# 变异系数 = 标准差/平均值

def cv(data):

return data.std()/data.var()

df2 = df.groupby(['Embarked']).agg(['count','min','max','median','mean','var','std',cv])

df2 = df2.apply(lambda x:round(x,2))

df2_age = df2['Age']

df2_fare = df2['Fare']

# 2、画出价格的分布图像，验证数据服从何种分布

# 2.1 船票直方图：

plt.hist(df['Fare'],20,normed=1,alpha=0.75)

plt.title('Fare')

plt.grid(True)

#分别用kstest、shapiro、normaltest来验证分布系数

ks_test = stats.kstest(df['Fare'], 'norm')

shapiro_test = stats.shapiro(df['Fare'])

normaltest_test = stats.normaltest(df['Fare'],axis=0)

#以上三种检测结果表明 p<5%,因此 船票数据不符合正态分布。

# 绘制拟合正态分布曲线:

fare = df['Fare']

plt.figure()

fare.plot(kind = 'kde') #原始数据的正态分布

M_S = stats.norm.fit(fare) #正态分布拟合的平均值loc，标准差 scale

normalDistribution = stats.norm(M_S[0], M_S[1]) # 绘制拟合的正态分布图

x = np.linspace(normalDistribution.ppf(0.01), normalDistribution.ppf(0.99), 100)

plt.plot(x, normalDistribution.pdf(x), c='orange')

plt.xlabel('Fare about Titanic')

plt.title('Titanic[Fare] on NormalDistribution', size=20)

plt.legend(['Origin', 'NormDistribution'])

# 验证是否符合T分布

T_S = stats.t.fit(fare)

df = T_S[0]

loc = T_S[1]

scale = T_S[2]

x2 = stats.t.rvs(df=df, loc=loc, scale=scale, size=len(fare))

D, p = stats.ks_2samp(fare, x2)

#p < alpha，拒绝原假设，价格数据不符合t分布。

# 对票价数据进行T分布拟合：

plt.figure()

fare.plot(kind = 'kde')

TDistribution = stats.t(T_S[0], T_S[1],T_S[2]) # 绘制拟合的T分布图

x = np.linspace(TDistribution.ppf(0.01), TDistribution.ppf(0.99), 100)

plt.plot(x, TDistribution.pdf(x), c='orange')

plt.xlabel('Fare about Titanic')

plt.title('Titanic[Fare] on TDistribution', size=20)

plt.legend(['Origin', 'TDistribution'])

# 验证是否符合卡方分布？

chi_S = stats.chi2.fit(fare)

df_chi = chi_S[0]

loc_chi = chi_S[1]

scale_chi = chi_S[2]

x2 = stats.chi2.rvs(df=df_chi, loc=loc_chi, scale=scale_chi, size=len(fare))

Dk, pk = stats.ks_2samp(fare, x2)#不符合

#对票价数据进行卡方分布拟合

plt.figure()

fare.plot(kind = 'kde')

chiDistribution = stats.chi2(chi_S[0], chi_S[1],chi_S[2]) # 绘制拟合的正态分布图

x = np.linspace(chiDistribution.ppf(0.01), chiDistribution.ppf(0.99), 100)

plt.plot(x, chiDistribution.pdf(x), c='orange')

plt.xlabel('Fare about Titanic')

plt.title('Titanic[Fare] on chi-square_Distribution', size=20)

plt.legend(['Origin', 'chi-square_Distribution'])

# 按照港口分类，验证S与Q两个港口间的价格之差是否服从某种分布

S_fare = df[df['Embarked'] == 'S']['Fare']

Q_fare = df[df['Embarked'] =='Q']['Fare']

C_fare = df[df['Embarked'] =='C']['Fare']

S_fare.describe()

# 按照港口分类后，S港口样本数<=554,Q港口样本数<=28,C港口样本数<=130。

# 总体不服从正态分布，所以需要当n比较大时，一般要求n>=30，两个样本均值之差的抽样分布可近似为正态分布。

# X2的总体容量为28，其样本容量不可能超过30，故其S港和Q港两个样本均值之差(E(X1)-E(X2))的抽样分布不服从正态分布。

# S港和C港两个样本均值之差(E(X1)-E(X3))的抽样分布近似服从正态分布，

# 其均值和方差分别为E(E(X1) - E(X3)) = E(E(X1)) - E(E(X3)) = μ1 - μ3；D(E(X1) + E(X3)) = D(E(X1)) + D(E(X3)) = σ1²/n1 + σ3²/n3 。

miu = np.mean(S_fare) - np.mean(C_fare)

sig = np.sqrt(np.var(S_fare, ddof=1)/len(S_fare) + np.var(C_fare, ddof=1)/len(C_fare))

x = np.arange(- 110, 50)

y = stats.norm.pdf(x, miu, sig)

plt.plot(x, y)

plt.xlabel("S_Fare - C_Fare")

plt.ylabel("Density")

plt.title('Fare difference between S and C')

plt.show()