Analisis statistik dengan python scipy

Scipy adalah alat penting untuk analisis statistik menggunakan Python. 1. Pemasangan dan Import Asas memerlukan pertama memasang numpy dan scipy dan mengimport modul scipy.stats; 2. Kaedah ujian statistik biasa termasuk ujian t, ujian U-Whitney U, dan lain-lain, yang boleh digunakan untuk membandingkan perbezaan kumpulan data; 3. 4. Analisis korelasi menyokong kaedah Pearson dan Spearman, yang digunakan untuk meneroka hubungan antara pembolehubah. Memahami nilai pulangan fungsi adalah kunci untuk menafsirkan hasilnya dengan betul.

Scipy adalah perpustakaan yang sangat praktikal untuk analisis statistik menggunakan Python. Ia memanjangkan lebih banyak fungsi pengkomputeran saintifik berdasarkan Numpy, terutamanya sesuai untuk mengendalikan tugas-tugas yang berkaitan dengan statistik. Sekiranya anda sudah biasa dengan operasi data asas dan ingin menguji hipotesis, pemasangan pengedaran, atau analisis korelasi, Scipy berguna.

1. Pemasangan dan import asas

Sebelum menggunakan Scipy untuk analisis statistik, anda mesti memastikan bahawa anda mempunyai Scipy dan Numpy dipasang. Ia boleh dipasang melalui PIP:

 Pip memasang numpy scipy

Kemudian, import modul yang diperlukan dalam kod, seperti scipy.stats , yang merupakan modul statistik yang paling biasa digunakan:

 import numpy sebagai np
dari statistik import scipy

Dengan persiapan ini, anda boleh memulakan pelbagai operasi statistik.

2. Kaedah ujian statistik biasa

Scipy menyokong pelbagai kaedah ujian statistik dan sesuai untuk senario yang berbeza. Sebagai contoh, jika anda ingin membandingkan sama ada terdapat perbezaan yang signifikan antara dua set data, anda boleh mempertimbangkan ujian t; Sekiranya data bukan parametrik, anda boleh menggunakan ujian Mann-Whitney U.

Kaedah pemeriksaan biasa termasuk:

• stats.ttest_ind() : Ujian sampel bebas t
• stats.ttest_rel() : Ujian sampel berpasangan t
• stats.mannwhitneyu() : Ujian U Nonparametric
• stats.chisquare() : Ujian Square Chi

Untuk memberi contoh mudah, katakan terdapat data dari dua kumpulan eksperimen:

 kumpulan1 = np.random.normal (50, 10, 100)
kumpulan2 = np.random.normal (52, 10, 100)

t_stat, p_value = stats.ttest_ind (kumpulan1, kumpulan2)
cetak (f "t-statistik: {t_stat}, p-nilai: {p_value}")

Nilai p output boleh membantu menentukan sama ada kedua-dua set data adalah berbeza.

3.

Kadang -kadang anda ingin tahu sama ada satu set data memenuhi pengedaran tertentu (seperti pengedaran normal, pengedaran Poisson, dan lain -lain), anda boleh menggunakan fungsi pemasangan yang disediakan oleh Scipy. Contohnya:

 params = stats.norm.fit (data) # sesuai parameter pengedaran normal

Anda juga boleh mengira kebarangkalian kumulatif atau ketumpatan nilai dalam pengedaran:

 prob = stats.norm.cdf (60, loc = 50, skala = 10) # Kirakan kepadatan kebarangkalian kumulatif = stats.norm.pdf (60, loc = 50, skala = 10) # ketumpatan kebarangkalian

Ini sangat berguna dalam analisis data dan pemodelan, terutamanya apabila anda perlu menilai kemungkinan peristiwa tertentu yang berlaku.

4. Analisis korelasi

Jika anda ingin melihat sama ada terdapat hubungan linear antara dua pembolehubah, anda boleh menggunakan pekali korelasi Pearson:

 corr, p_value = stats.pearsonr (x, y)

Atau tahap Spearman yang berkaitan:

 corr, p_value = stats.spearmanr (x, y)

Kedua -dua kaedah ini boleh memberikan pekali korelasi dan keputusan ujian penting. Perhatikan bahawa korelasi tidak sama dengan sebab dan kesan, tetapi sekurang -kurangnya ia dapat membantu anda mencari hubungan yang berpotensi.

Pada dasarnya itu sahaja. Modul Statistik Scipy sangat kuat, tetapi jangan takut dengan nama itu. Ia sebenarnya agak mudah digunakan. Kuncinya adalah untuk memahami analisis apa yang anda mahu lakukan, dan kemudian cari fungsi yang sepadan dan padankan dengan format data yang sesuai. Apa yang tidak rumit tetapi mudah diabaikan ialah perlu jelas tentang makna penunjuk yang dikembalikan oleh setiap fungsi supaya hasilnya dapat ditafsirkan dengan betul.

Atas ialah kandungan terperinci Analisis statistik dengan python scipy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!