基于python实现数据的描述性统计（二）

基于python实现数据的描述性统计（二）

基于前文理论基础上，本文将利用Python的Numpy和scipy中的stats库实现描述性统计相关内容。
本文使用的工具是Pycharm，对任意数组进行实践。
利用Numpy和Pandas实现数据的描述性统计
主要包括平均值、中位数、众数、极差、方差、标准差、平均差、四分位差、离散系数、偏度和峰度等内容

import numpy as np
import scipy.stats                           
arr=np.array([45,32,90,56,21,36,75,21,15,26])
Q1=np.percentile(arr,25)      #四分位第一位
Q2=np.percentile(arr,50)      #四分位第二位
Q3=np.percentile(arr,75)      #四分位第三位
print("平均值:",np.mean(arr))      #平均值
print("中位数：",np.median(arr))     #中位数
print("众数：",scipy.stats.mode(arr))     #众数
print("Max-Min:",np.max(arr)-np.min(arr))     #极差
print("极差：",np.ptp(arr))      #极差 
print("方差：",np.var(arr))      #方差
print("标准差:",np.std(arr))     #标准差
print('平均差：',np.sum(abs(arr-np.mean(arr)))/len(arr))   #平均差
print("四分位差：",(Q3-Q1)/2)           #四分位差等于四分位数第三位减去第一位后再除以2
print('离散系数：',np.std(arr)/np.mean(arr))        #离散系数等于标准差除以平均值
print('偏度：',scipy.stats.skew(arr))               #利用scipy的stats库实现偏度
print('峰度：',scipy.stats.kurtosis(arr))           #峰度

得到的结果数据是：

平均值: 41.7
中位数： 34.0
众数： ModeResult(mode=array([21]), count=array([2]))
Max-Min: 75
极差： 75
方差： 560.01
标准差: 23.664530420018902
平均差： 19.839999999999996
四分位差： 15.5
离散系数： 0.5674947342930192
偏度： 0.8362529058695776
峰度： -0.5574747028940696