Python编程实现数据的统计和数据可视化

3.1 应用Python编程，计算下列4组数据（Anscombe’s Quartet）的平均值、方差、标准差、最大值、最小值，y与x之间的相关系数，并对比分析4组数据的统计特征。

要求：以贴图的形式贴所编写的程序图及运行结果图。注意：相关程序需自己保存，以后的作业中要用。

I				II				III				IV
	x	y			x	y			x	y			x	y
1	10	8.04		1	10	9.14		1	10	7.46		1	8	6.58
2	8	6.95		2	8	8.14		2	8	6.77		2	8	5.76
3	13	7.58		3	13	8.74		3	13	12.74		3	8	7.71
4	9	8.81		4	9	8.77		4	9	7.11		4	8	8.84
5	11	8.33		5	11	9.26		5	11	7.81		5	8	8.47
6	14	9.96		6	14	8.10		6	14	8.84		6	8	7.04
7	6	7.24		7	6	6.13		7	6	6.08		7	8	5.25
8	4	4.26		8	4	3.10		8	4	5.39		8	19	12.50
9	12	10.84		9	12	9.13		9	12	8.15		9	8	5.56
10	7	4.82		10	7	7.26		10	7	6.42		10	8	7.91
11	5	5.68		11	5	4.74		11	5	5.73		11	8	6.89

1）程序及其运行结果：

2）4组数据的统计特征分析：

在这四组数据中，x值的平均数均是9.0，y值的平均数均是7.5；x值的方差为11.0，y值的方差约为4.12；x值标准差均为3.3，y值的标准差均为2.0；它们的相关度都是0.816，线性回归线都是y=0.50x + 3.00。第四组数据x的最小值为8，其余三组数据x的最小值为4，虽然四组数据的x、y的最大值、最小值不尽相同，但四组数据在平均值、方差、标准差以及它们的相关系数上来比对，其反映出的实际情况是非常相似的。

3.2 应用Python编程，实现下列4组数据的散点图，并在散点图中画出（用程序实现）y与x之间的线性回归方程；用图例的方式在散点图中标出线性回归方程（y = ax +b）和相关系数（r = 0.816）；试分析数据可视化在数据分析中的重要性。

要求：以贴图的形式贴所编写的程序图及运行结果图。

1）程序及其运行结果：

2）数据可视化在数据分析中的重要性：

数据可视化主要旨在借助于图形化手段，清晰有效地传达与沟通信息，实际是协助人更强的剖析数据,而信息的品质在非常大水平上取决于其表达形式。

由上述四幅图所示，四组数据的分布大相径庭，第一组数据散点分布较为分散；第二组数据散点呈曲线分布，事实上反映了一个二次函数关系；第三组数据散点呈线性分布；第四组数据散点呈垂直分布，其异常值导致了平均数、方差、相关度、线性回归等所有统计数字全部发生变化，但其线性回归方程却是一致的。这可以说明，了解和分析原始数据的分布是非常重要的，而最直观、最直接体现数据分布的方法之一，就是运用数据可视化。所以说，数据分析不只仅仅局限于用统计的手段计算和分析，可视化工具也可对其起到很大的辅助作用。

数据可视化可以在认识原始数据“是什么？”的时候，起到洞察和直观的明晰了解数据的作用，在一定的框架的对比下进行“评估”，还可对未来的情况进行“预测”；数据可视化可以在寻找原始数据“为什么？”的答案的时候，借助数据洞察的规律，挖掘现象背后的原因；数据可视化在思考原始数据所带来的问题“怎么办？”的时候，从“洞察”和“评估”出发，考虑可操作、可执行的应对策略等。

总结来讲，当我们希望深入分析、挖掘有用结论时，可视化可以帮助我们发现规律、理清思路。