python自带的制表库，常用统计函数python

Python语言以其简单易学、面向对象、可扩展多种等特点，在科学计算、数据处理等领域中被广泛应用。在这些领域中，常常需要进行数据的制表、汇总及统计分析等工作，Python自带的制表库和统计函数能够很好地完成这些任务。

一、Python自带的制表库

Python自带的三个重要制表库是：Pandas、NumPy和SciPy。其中，Pandas是开源的Python数据分析库，提供高性能，易于使用的数据结构和数据分析工具，支持快速的处理结构化数据，是Python中的绝对重量级选手；NumPy是Python科学计算的基础包，用于处理大型数据集，提供了高效的多维数组对象及相关工具；而SciPy是基于NumPy的一种开源Python科学计算库，用于数学、科学和工程计算。

1. Pandas

Pandas中最主要和核心的数据结构是DataFrame，它是一种表格型数据结构。在DataFrame中，每列可以是不同的数据类型（整数、浮点数、字符串等），并且可以像表格一样进行操作（插入、删除、修改、查询、合并等）。常见的操作包括：

（1）数据的读取和写入：支持多种格式的数据读写，如CSV、Excel、SQL等，以及Pickle和HDF5等格式。

（2）数据的选择和过滤：支持多种数据选择和切片方式，并支持复杂的数据过滤，如布尔索引。

（3）数据的运算和统计：支持多种数据运算（加、减、乘、除等），并提供了丰富的统计分析方法，包括描述性统计、相关分析、回归分析、时间序列分析等。

（4）数据的组合和拆分：支持多种数据组合和拆分方式，如分组、合并、拼接等。

（5）数据的可视化和报告：提供了各种可视化工具，包括折线图、散点图、条形图、密度图等，以及数据报告生成工具等。

2. NumPy

NumPy主要提供的是一种高效的多维数组对象（ndarray），以及相关的操作函数。在NumPy中，数组是一个由同类型的元素组成的网格，并且可以按照不同的方式进行索引。NumPy的优势在于，它对于数组操作的速度非常快，远远超过了Python中的列表。

（1）数组的创建和存储：NumPy数组可以通过Python列表等方式创建，并支持多种数据持久化存储方式，如二进制格式（npy）、文本格式（txt）等。

（2）数组的索引和切片：和Python列表一样，NumPy数组也可以通过索引和切片的方式访问子集数据，但是由于它是多维数组，因此更加灵活和强大。

（3）数组的运算和数学操作：NumPy支持一系列的数组运算和数学操作，例如加、减、乘、除、矩阵乘法、求和、平均值、标准差、最大值、最小值等。

（4）数组的筛选和遍历：NumPy提供了基于条件筛选和循环遍历等方法，方便地完成各种数据处理任务。

（5）数组的聚合和排序：NumPy提供了各种聚合方法，例如求和、平均值、中位数、众数、方差等，并支持多种排序方式。

3. SciPy

SciPy是一个开源的Python科学计算库，其目的是为了完成科学计算、工程计算和技术计算等任务。它建立在NumPy的基础之上，并与其它Python科学计算库相互配合使用。SciPy提供了一种高效的N维数组和矩阵操作，以及包括积分、拟合、优化、统计和信号处理等方面的函数。

（1）线性代数运算：SciPy提供了各种矩阵和线性代数运算，包括求解线性方程组、矩阵分解、行列式求值、特征值和特征向量等。

（2）数值积分和微积分：SciPy提供了各种数值积分和微积分函数，例如定积分、数值微分、求解微分方程等。

（3）插值和拟合：SciPy提供了各种插值和拟合函数，例如最小二乘拟合、样条插值、多项式拟合等。

（4）优化算法：SciPy提供了多种优化算法，包括无约束优化、有约束优化、全局优化等。

（5）统计分析：SciPy提供了各种统计分析方法，例如假设检验、方差分析、回归分析、时间序列分析等。

二、常用统计函数Python

在数据分析中，通常使用各种统计分析方法对数据进行分析。Python提供了丰富的统计函数，可以进行各种常见的统计计算。以下列举一些常见的统计函数及其应用：

（1）均值和中位数：

对于一组实数{x1,x2,x3,…,xn}，它们的均值和中位数可以分别通过以下代码计算：

```python

# 均值

mean = sum(x) / n

# 中位数

sort_x = sorted(x) # 对x进行排序

if n % 2 == 0:

median = (sort_x[n//2] + sort_x[n//2-1]) / 2

else:

median = sort_x[n//2]

```

（2）方差和标准差：

方差和标准差衡量的是一组数据的离散程度。方差可以通过以下代码计算：

```python

# 方差

sum((xi - mean) ** 2 for xi in x) / (n - 1)

```

标准差是方差的平方根，可以通过以下代码计算：

```python

# 标准差

import math

math.sqrt(variance)

```

（3）频数和频率：

对于一组数据{x1,x2,x3,…,xn}，如果要求每个数出现的次数，可以使用以下代码：

```python

# 频数

from collections import Counter

frequency = Counter(x)

```

如果要求每个数出现的概率（即频率），可以使用以下代码：

```python

# 频率

frequency = Counter(x)

n = len(x)

[(value, count/n) for value, count in frequency.items()]

```

（4）相关系数和协方差：

对于两组数据{x1,x2,x3,…,xn}和{y1,y2,y3,…,yn}，它们之间的相关程度可以通过相关系数和协方差来衡量。相关系数可以通过以下代码计算：

```python

# 相关系数

def correlation(x, y):

assert len(x) == len(y)

n = len(x)

sum_xy = sum(xi * yi for xi, yi in zip(x, y))

sum_x = sum(x)

sum_y = sum(y)

sum_x2 = sum(xi ** 2 for xi in x)

sum_y2 = sum(yi ** 2 for yi in y)

return (n * sum_xy - sum_x * sum_y) / math.sqrt((n * sum_x2 - sum_x ** 2) * (n * sum_y2 - sum_y ** 2))

```

协方差可以通过以下代码计算：

```python

# 协方差

def covariance(x, y):

assert len(x) == len(y)

n = len(x)

mean_x = sum(x) / n

mean_y = sum(y) / n

return sum((xi - mean_x) * (yi - mean_y) for xi, yi in zip(x, y)) / (n - 1)

```

以上是一些Python自带的制表库和常用的统计函数，这些库和函数功能强大、易学易用，是Python在科学计算和数据分析领域中的重要优势。 如果你喜欢我们三七知识分享网站的文章， 欢迎您分享或收藏知识分享网站文章 欢迎您到我们的网站逛逛喔！https://www.37seo.cn/