Python科研数据分析专题之描述性统计

数据的描述性统计

Sim_Jackson | 2023

• 经常出现的数据描述性统计表格，在研究论文中多出现在<数据与变量>章节，描述所获得的数据。

实证类论文

• [1] 付志刚,沈慧娟,王伟,傅国彬,周路军.机构投资者调研行为动机：推高股价，抑或拉升业绩？[J].投资研究,2021,40(10):88-102.

  描述：

“运用python软件对数据进行整理，并得到上述变量的描述性统计如表2所示。在整个样本时内，不同时间段的累积收益率出现较大的差异，其中机构投资者调研1季度后，股价平均上涨1.2324，半年后，股价平均上涨-0.7610，说明呈现下降，1年后股价平均上涨 0.6440，而 2年后至 3年后股价又呈现下跌的趋势。这说明机构投资者调研后，股价仍先上升后下跌、再上升再下跌的波动特征。”

“ 机构投资者调研平均每季达到 2.3637 次，对应标准差为 1.1456，其中最小达到 0.6931，最大达到6.7935。 说明机构投资者对不同股票的关注度存在差异，其中某些股票可能正处于当时热点板块，则关注度较高；有些股票虽然业绩较好，可能并不是热点，关注度可能会比较小。”

时间序列分析类论文

• [2] 范丽伟,董欢欢,渐令.基于滚动时间窗的碳市场价格分解集成预测研究[J/OL].中国管理科学:1-14[2023-01-17].
  

# 导入需要的第三方库
import pandas as pd
import os
import warnings
warnings.filterwarnings('ignore')
dir_ = r'D:\科研论文\Python\数据分析'
os.chdir(dir_)

files = os.listdir(dir_) # 将该地址下的文件都列出来
files # finaldata为填补完缺失值之后的数据

['data.xlsx', 'finaldata.csv', 'google.csv', 'reaseach_data.xlsx']

# 数据读取
df = pd.read_csv(files[1]) # 1即为第2个，'finaldata.csv'
df

	time	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10
0	2020-01-02	6985.47	3257.85	1527.100000	96.81	61.18	12.47	2.13	4	49	72
1	2020-01-03	7344.88	3234.85	1548.750000	96.91	63.04	14.02	2.11	8	47	65
2	2020-01-06	7769.22	3246.28	1573.100000	96.62	62.83	13.85	2.15	7	46	14
3	2020-01-07	8163.69	3237.18	1567.850000	96.96	62.69	13.79	2.16	7	35	17
4	2020-01-08	8079.86	3253.05	1571.950000	97.34	59.98	13.45	2.15	10	53	57
...	...	...	...	...	...	...	...	...	...	...	...
752	2022-12-23	16796.95	3844.82	1789.400408	104.32	79.35	20.87	5.12	44	65	12
753	2022-12-27	16717.17	3829.25	1789.400408	104.20	79.87	21.65	5.21	47	58	0
754	2022-12-28	16552.57	3783.22	1803.350000	104.53	78.86	22.14	4.71	50	40	18
755	2022-12-29	16642.34	3849.28	1813.750000	103.97	78.71	21.44	4.56	51	67	44
756	2022-12-30	16602.59	3839.50	1789.400408	103.49	80.51	21.67	4.43	42	53	25

757 rows × 11 columns

df.describe()

	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10
count	757.000000	757.000000	757.000000	757.000000	757.000000	757.000000	757.000000	757.000000	757.000000	757.000000
mean	28911.789841	3861.127292	1789.400408	97.445548	67.226354	24.850159	4.122411	53.768824	48.177015	28.348745
std	17146.077185	551.471131	100.947388	6.094840	24.565988	8.753701	2.136611	27.310592	20.301897	23.541417
min	4970.790000	2237.400000	1474.250000	89.410000	12.930000	12.100000	1.440000	4.000000	10.000000	0.000000
25%	11601.470000	3401.200000	1733.550000	92.710000	45.520000	19.370000	2.480000	28.000000	31.000000	11.000000
50%	23336.000000	3915.590000	1790.450000	96.080000	68.220000	23.140000	3.620000	63.000000	47.000000	23.000000
75%	43160.930000	4319.940000	1857.350000	100.350000	85.030000	27.990000	5.600000	75.000000	62.000000	43.000000
max	67566.830000	4796.560000	2067.150000	114.150000	124.770000	82.690000	9.760000	100.000000	100.000000	100.000000

释义：
count：样本量
mean：平均值
std：标准差
min：最小值
25%：1/4分位数
50%：中位数

df1 = df.drop(columns = 'time')
collst=df1.columns
collst

Index(['X1', 'X2', 'X3', 'X4', 'X5', 'X6', 'X7', 'X8', 'X9', 'X10'], dtype='object')

# 偏度
print("偏度统计结果为：")
for col in collst:
    print(col,round(df1[col].skew(),2))

偏度统计结果为：
X1 0.36
X2 -0.47
X3 -0.36
X4 0.87
X5 0.07
X6 2.55
X7 0.77
X8 -0.53
X9 0.41
X10 0.82

# 峰度
print("峰度统计结果为：")
for col in collst:
    print(col,round(df1[col].kurt(),2))

峰度统计结果为：
X1 -1.17
X2 -0.5
X3 0.2
X4 -0.18
X5 -0.75
X6 10.53
X7 -0.48
X8 -1.06
X9 -0.52
X10 0.19