統(tǒng)計(jì)分析包括描述統(tǒng)計(jì)和推斷統(tǒng)計(jì)兩個(gè)部分。

對(duì)已有的數(shù)據(jù)整理，計(jì)算數(shù)據(jù)指標(biāo)，平均數(shù)，中位數(shù)，中數(shù)，數(shù)據(jù)的離散度（極差，平均絕對(duì)偏差，方差標(biāo)準(zhǔn)差）是最常用的技術(shù)手段，也是最容易的。

# hanbb # come on!!! import tushare as ts import matplotlib.pyplot as plt# 股票數(shù)據(jù)獲取 data_zglt = ts.get_hist_data('600050',start='2015-06-23',end='2017-11-16') data_pfyh = ts.get_hist_data('600000',start='2015-06-23',end='2017-11-16')# 收益率計(jì)算 data_zglt['returns'] = (data_zglt['close']-data_zglt['close'].shift(1))/data_zglt['close'].shift(1) data_pfyh['returns'] = (data_pfyh['close']-data_pfyh['close'].shift(1))/data_pfyh['close'].shift(1)# 求平均值 print(data_zglt['returns'].mean(),data_pfyh['returns'].mean()) # 求中位數(shù) print(data_zglt["returns"].median(),data_pfyh["returns"].median()) # 求眾數(shù) print(data_zglt["returns"].mode(),data_pfyh["returns"].mode())# 四分位數(shù) print(data_zglt['returns'].quantile(i) for i in [0.25,0.75]) print(data_pfyh['returns'].quantile(i) for i in [0.25,0.75])# 數(shù)據(jù)的離散度 穩(wěn)定性 # 極差 print(data_zglt['returns'].max()-data_zglt['returns'].min()) print(data_pfyh['returns'].max()-data_pfyh['returns'].min())# 平均絕對(duì)偏差(MAD:mean absolute devation) # define：數(shù)據(jù)和均值差值的 之和 的平均數(shù)（除以N） print(data_zglt["returns"].mad(),data_pfyh["returns"].mad())# 方差（variance）和標(biāo)準(zhǔn)差（standard deviation） # var define：數(shù)據(jù)和均值差值的 平方之和 的平均數(shù)（除以N-1） print(data_zglt["returns"].var(),data_pfyh["returns"].var()) print(data_zglt["returns"].std(),data_pfyh["returns"].std())# 描述性數(shù)據(jù) print(data_zglt["returns"].describe(),data_pfyh["returns"].describe())

?

轉(zhuǎn)載于:https://www.cnblogs.com/hanbb/p/8031216.html

總結(jié)

以上是生活随笔為你收集整理的2.13 描述性统计（平均数，中位数，中数，数据的离散度（极差，平均绝对偏差，方差标准差））...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。