二、描述性统计分析及可视化

描述性统计分析概述

1. python原始的数据类型：字符型、逻辑型、数值型、复数型。
2. 从统计方面来看，数据分为三种类型：名义型、等级型、连续型
   • 名义变量：性别、民族等，没有顺序之分，名义变量不一定是字符类型
   • 等级变量：有顺序之分，可以是字符也可是数值型，差值没有意义。
   • 连续变量：只能是数值型，连续变量的差值是有意义的。

注：连续变量可以当作等级变量用，等级变量也可以当成连续变量，连续变量会产生很多噪音，分组换为等级变量会消除噪音。

3. 在统计学中，名义变量只有两个统计量：频次和百分比
4. 在统计学中，连续变量的统计量：
   • 集中趋势（位置）：均值、中位数、众数
   • 离散程度（分散程度）：方差、标准差、极差、四分位差等。
   • 偏离程度：右偏函数、对称函数、左偏函数（少见）

注：离散程度即离开均值的程度，可以通过观察图像得知。
5. 分布函数
- 正态分布：对称函数，如人的身高等。
- 泊松分布：如网页点击量、队伍长度。
- 伽码分布：如灾难对我们造成的经济损失。
- 对数正态分布：是右偏最严重的函数，如收入、利润等。

-	描述性统计	建模、预测
右偏严重的函数（对数正态分布、伽马分布）	选用中位数为统计量	对原始数据取对数，使其成为对数正态分布
右偏不严重的函数（正态分布、泊松分布）	选用均值为统计量	选用正态分布函数

6. 判断函数是否右偏：
   （1）利用数据画直方图，中位数<均值则右偏
   （2）计算偏度，偏度大于1的右偏严重。

示例

查看北京和上海的收入分布情况

步骤一：判断是否右偏严重。
做描述性统计分析的话，右偏函数选用中位数作为集中水平，右偏不严重的函数选用均值作为集中水平。
步骤二：看离散程度，一般是标准差。

描述统计总结

• 分类变量：（维度指标）指时间、年度等，分类变量又包括名义变量和等级变量。
• 连续变量：（度量指标）利润、收入、利润率

-	分析	可视化
一个分类变量	value_counts()	柱形图
两个分类变量	pd.crosstab(snd.districts,snd.school)	标准化堆叠柱形图
一个连续变量	agg(['mean','std','skew'])	直方图
一个分类+一个连续	snd.price.groupby(snd.district).sum()	柱形图、条形图、盒须图
两个分类+一个连续	snd.pivot_table(values='',index='',columns=',aggfunc=np.mean)	分类柱形图

一个分类变量

#引入包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import os
import matplotlib
#找到文件夹，读取文件
os.chdir(r'E:\数据与脚本\4describe')
snd  = pd.read_csv('SndHsPr.csv')
snd

district = {'fengtai':'丰台区','haidian':'海淀区','chaoyang':'朝阳区','dongcheng':'东城区','xicheng':'西城区','shijingshan':'石景山区'}
# 取字典中的元素
snd['district'] = snd.dist.map(district)

snd.district.value_counts()

• 可视化（plot(kind='类型')）

# 显示中文
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Simhei']# 之人默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号‘-’显示为方块的问题

snd.district.value_counts().plot(kind='bar')

一个连续变量

• 统计量

snd.price.mean() #均值
snd.price.median() #中位数，中位数<均值所以是右偏函数
snd.price.std()# 标准差：比较离散程度的时候有用，一个标准差没有用
snd.price.skew() #判断是否右偏，>1 表示严重右偏
snd.price.quantile([0.01,0.5,0.99])# 取分位点的

#一次聚合多个统计量
snd.price.agg(['mean','median','sum','std','skew'])

• 直方图（观察右偏与否）

snd.price.hist(bins=40)# 分40组

两个分类变量

• 频次表

sub_sch = pd.crosstab(snd.district,snd.school)
sub_sch 

• 堆叠柱形图：只能看出样本量，不能对比样本占比情况。

sub_sch.plot(kind='bar',stacked=True)

• 标准化堆叠柱形图：标准化堆叠柱形图可以看出占比情况，样本量的大小用柱子的胖瘦代替。

sub_sch["sum1"]=sub_sch.sum(1) #加和成为一列

#按行求百分比
sub_sch = sub_sch.div(sub_sch.sum1,axis = 0)#除法得到百分比

from stack2dim import *
stack2dim(snd,i='district',j='school')

分类变量和连续变量

按照分类变量分组对连续变量求统计量

• 柱形图

#柱形图
snd.price.groupby(snd.district),mean().plot(kind='bar')#price为连续变量，district是分类变量

• 条形图

snd.price.groupby(snd.district).mean().sort_values(ascending=True).plot(kind='barh')

• 分类盒须图：比较不同分类水平上的连续变量变化情况（比较中位数）

sns.boxplot(x = 'district', y = 'price', data = snd)

汇总表：两个分类变量+一个连续变量

snd.pivot_table(values='price', index='district', columns='school', aggfunc=np.mean)

• 可视化

snd.pivot_table(values='price', index='district', columns='school', aggfunc=np.mean).plot(kind = 'bar')