Scipy 教程-SciPy 统计
P
点击关注 👉约 4 分钟
点击关注 👉约 4 分钟| 序号 | 函数 | 描述 |
|---|---|---|
| 1. | rv_continuos | 这是一个基类，用于构造连续随机变量的特定分布类和实例。 |
| 2. | rv_discrete | 这是一个基类，用于构造离散随机变量的特定分布类和实例。 |
| 3. | rv_histogram | 可以继承自 rv_continuous 类。它生成由直方图给出的分布。 |
正态连续随机变量
对于封装连续随机变量和离散随机变量，已经实现了两个一般分布类。这里我们将讨论连续随机变量：
from scipy.stats import normimport numpy as npprint(norm.cdf(np.array([3,-1., 0, 1, 2, 4, -2, 5])))
输出:
[0.9986501 0.15865525 0.5 0.84134475 0.97724987 0.999968330.02275013 0.99999971]
我们可以生成随机数序列；传递size参数是必要的。
from scipy.stats import normprint(norm.rvs(size = 4))
输出:
[-0.42700905 1.0110461 0.05316053 -0.45002771]
👉点击领取：最全Python资料合集
描述性统计
描述性统计描述了变量中观测值的数值。有各种统计量，如最小值、最大值和方差，它们将Numpy数组作为输入，并返回特定的结果。scipy.stats包提供的一些基本函数如下图所述。
| 序号 | 函数 | 描述 |
|---|---|---|
| 1. | describe() | 计算输入数组的各种描述性统计。 |
| 2. | gmean() | 沿着指定的计算几何平均数。 |
| 3. | hmean() | 沿指定轴计算谐波平均数。 |
| 4. | kurtosis() | 计算峰度。 |
| 5. | mode() | 返回众数值。 |
| 6. | skew() | 测试数据的偏斜度 |
| 7. | zscore() | 计算样本中每个值的z得分，相对于样本均值和标准差。 |
import scipy as spimport numpy as npfrom scipy.stats import normnumber_of_data = 100random_data_set = sp.randn(number_of_data)print(random_data_set.mean())print(sp.median(random_data_set))min_max = np.array([random_data_set.min(),random_data_set.max()])print(min_max)sp.stats.describe(random_data_set)
0.006283818005153084-0.03008382588766136[-2.1865825 2.47537921]DescribeResult(nobs=100, minmax=(-2.1865824992721987, 2.475379209985273), mean=0.006283818005153084, variance=1.0933102537156147, skewness=0.027561719919920322, kurtosis=-0.6958272633471831)
T检验
T检验用于比较两个平均值（均值），并表明这些平均值是否相互不同。T检验也被描述为组间差异的显著性。
T得分
T得分是两组间差异与组内差异的比率。较小的T得分表明两组相对类似，较大的T得分则表明两组间的差异更大。
比较两个样本
from scipy import statsrvs = stats.norm.rvs(loc = 6, scale = 10, size = (50,2))print(stats.ttest_1samp(rvs,5.0))
Ttest_1sampResult(statistic=array([0.42271098, 1.1463823 ]), pvalue=array([0.67435547, 0.25720448]))
在上述输出中，p值是样本数据结果偶然发生的概率。P值从0%到100%不等。
SciPy线性回归
scipy.stats.linregress(x,y=None)
参数:
x, y: 这两个参数应该是数组，并且具有相同的长度。
线性回归有两种类型。
简单回归
多变量回归
简单回归
简单线性回归是使用单一特征预测响应的方法。假设这两个变量是线性相关的，这意味着另一个变量可以准确预测一个变量。例如，使用摄氏度温度，可以准确预测华氏温度。
多变量回归
price(dependent variable) = m1*area + m2*bedrooms + m2*age(independent variable)
热门推荐