通常用于统计分析的 Python 库包括 SciPy、Pandas 和 StatsModels 等。以下是如何使用 SciPy 库进行统计分析的示例：
安装 SciPy 库
在终端或命令提示符中运行以下命令来安装 SciPy：
pip install scipy
使用 SciPy 进行统计分析
以下是一些常见的统计分析示例：
1. 描述性统计
计算数据集的均值、中位数、标准差、偏度和峰度：
Python
import numpy as np
from scipy import stats
# 创建一个随机数据集
data = np.random.randint(0, 100, size=100)
# 计算均值
mean = np.mean(data)
# 计算中位数
median = np.median(data)
# 计算标准差
std_dev = np.std(data)
# 计算偏度
skewness = stats.skew(data)
# 计算峰度
kurtosis = stats.kurtosis(data)
print("均值:", mean)
print("中位数:", median)
print("标准差:", std_dev)
print("偏度:", skewness)
print("峰度:", kurtosis)
AI 生成的代码。仔细查看和使用。 有关常见问题解答的详细信息.
2. 假设检验
执行独立样本 t 检验来比较两个样本之间的均值差异：
Python
from scipy import stats
# 创建两个样本
sample1 = [1, 2, 3, 4, 5]
sample2 = [2, 4, 6, 8, 10]
# 执行独立样本 t 检验
t_statistic, p_value = stats.ttest_ind(sample1, sample2)
print("t 统计量:", t_statistic)
print("p 值:", p_value)
AI 生成的代码。仔细查看和使用。 有关常见问题解答的详细信息.
3. 回归分析
进行简单线性回归分析：
Python
import numpy as np
from scipy import stats
# 创建两个变量
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])
# 执行线性回归
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
print("斜率:", slope)
print("截距:", intercept)
print("相关系数:", r_value)
print("p 值:", p_value)
print("标准误差:", std_err)
全部代码
#通常用于统计分析的 Python 库包括 `SciPy`、`Pandas` 和 `StatsModels` 等。以下是如何使用 `SciPy` 库进行统计分析的示例：
### 安装 `SciPy` 库
# 在终端或命令提示符中运行以下命令来安装 `SciPy`：
# ```bash
# pip install scipy
# ```
# ### 使用 `SciPy` 进行统计分析
# 以下是一些常见的统计分析示例：
# #### 1. 描述性统计
# 计算数据集的均值、中位数、标准差、偏度和峰度：
import numpy as np
from scipy import stats
# 创建一个随机数据集
data = np.random.randint(0, 100, size=100)
# 计算均值
mean = np.mean(data)
# 计算中位数
median = np.median(data)
# 计算标准差
std_dev = np.std(data)
# 计算偏度
skewness = stats.skew(data)
# 计算峰度
kurtosis = stats.kurtosis(data)
print("均值:", mean)
print("中位数:", median)
print("标准差:", std_dev)
print("偏度:", skewness)
print("峰度:", kurtosis)
#### 2. 假设检验
# 执行独立样本 t 检验来比较两个样本之间的均值差异：
# 创建两个样本
sample1 = [1, 2, 3, 4, 5]
sample2 = [2, 4, 6, 8, 10]
# 执行独立样本 t 检验
t_statistic, p_value = stats.ttest_ind(sample1, sample2)
print("t 统计量:", t_statistic)
print("p 值:", p_value)
# #### 3. 回归分析
# 进行简单线性回归分析：
# 创建两个变量
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])
# 执行线性回归
slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
print("斜率:", slope)
print("截距:", intercept)
print("相关系数:", r_value)
print("p 值:", p_value)
print("标准误差:", std_err)