【五 （2）统计学知识-集中趋势分析与分散和变异性描述代码实现】

文章导航

【一 简明数据分析进阶路径介绍（文章导航）】

一、集中趋势

1、均值

均值（也称为平均值）是统计学中描述数据集中趋势的一种常用统计量，它表示一组数据中所有数值的总和除以数据个数的结果。均值能够反映数据的中心位置。

import pandas as pd

df = pd.read_csv('train.csv')

df['SalePrice'].describe() ## 查看数据描述性统计信息
df['SalePrice'].describe().mean() ## 仅查看均值信息
df['SalePrice'].mean() ## 直接查看均值信息

2、中位数

中位数是按顺序排列的一组数据中居于中间位置的数，代表一个样本、种群或概率分布中的一个数值。对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。

df['SalePrice'].median()

3、众数

众数是一组数据中出现次数或出现频率最多的数值。它是一种位置平均数，不受极端变量值的影响。众数主要用于测度分类数据的集中趋势，也可以用来测度顺序数据和数值型数据的集中趋势。

df['SalePrice'].mode()

二、分散性

1、全距（极差Range）

数据集中最大值与最小值的差，用于量度数据集的分散程度。不过，极差仅仅描述了数据的宽度，并没有描述数据在上、下界之间的分布形态。如果数据中存在异常值，极差可能会极具误导性。

range_SalePrice = df['SalePrice'].max() - df['SalePrice'].min() 
range_SalePrice

2、四分位距（Interquartile Range，IQR）

上四分位数与下四分位数之差，反映了中间50%数据的离散程度。四分位距是一个不受异常值影响的“迷你距”，能更稳健地描述数据的分散性。

iqr_SalePrice = df['SalePrice'].quantile(0.75) - df['SalePrice'].quantile(0.25)  
iqr_SalePrice

3、百分位数（Percentile）

第k百分位Pk表示位于数据范围k%处的数值，用于描述数据在不同百分位上的分布情况。

df['SalePrice'].quantile(0.66) #取值范围0-1

4、中位数

df['SalePrice'].quantile(0.5)

三、变异性

1、方差（Variance）

每个数据与平均值的差值的平方和的均值，用于描述数据偏离平均值的程度。方差是量度数据分布形态的重要指标。

variance_SalePrice = df['SalePrice'].var()  
variance_SalePrice

2、标准差（Standard Deviation）

方差的平方根，与方差一样，用于描述数据的变异性。标准差具有与原始数据相同的单位，因此更容易理解。

std_dev_SalePrice = df['SalePrice'].std()  
std_dev_SalePrice

3、标准分（Z分数或标准化得分）

测量值相对于均值的标准偏差数。它表示一个原始分数与团体平均数之差，再除以标准差所得的商数。标准分是一种能够反映某一分数在团体中所处相对位置的量数。它将原始分数转换为平均数为0，标准差为1的标准分数，用公式表示为：Z = (x - μ) / σ。其中，x是某一具体分数，μ是平均数，σ是标准差。

# 计算每列的均值  
mean_SalePrice = df['SalePrice'].mean()  
  
# 计算每列的标准差  
std_dev_SalePrice = df['SalePrice'].std()  
  
# 使用apply函数和lambda表达式计算标准分  
SalePrice_zscores = df['SalePrice'].apply(lambda x: (x - mean_SalePrice) / std_dev_SalePrice)  
  
SalePrice_zscores

4、离散系数（Coefficient of Variation）

标准差与平均值之比，用于比较不同数据集之间的变异程度，可以消除不同数据集之间的单位差异。

# 计算每列的均值  
mean_SalePrice = df['SalePrice'].mean()  
  
# 计算每列的标准差  
std_dev_SalePrice = df['SalePrice'].std()  
  
# 使用apply函数和lambda表达式计算标准分  
SalePrice_coef_var = std_dev_SalePrice / mean_SalePrice 
  
SalePrice_coef_var

5、偏态系数（Skewness）

衡量数据分布形态的偏斜程度。偏态系数越大，说明数据分布越偏斜；反之，偏态系数越小，说明数据分布越接近对称。

skewness_SalePrice = df['SalePrice'].skew()  
skewness_SalePrice

6、峰态系数（Kurtosis）

描述数据分布形态的陡峭或扁平程度。峰态系数大于3表示数据分布比正态分布更陡峭；峰态系数小于3表示数据分布比正态分布更扁平。

kurtosis_SalePrice = df['SalePrice'].kurtosis()  
kurtosis_SalePrice