统计学最重要的10个概念【附代码解析】
1. 平均值
平均值是一组数据的算术平均数，计算方法是将所有数值相加后除以数据的总数。它是最常用的集中趋势度量，但容易受极端值影响。
import numpy as np
data = [1, 2, 3, 4, 5]
mean = np.mean(data)
print(f"数据: {data}")
print(f"平均值: {mean}")
输出结果：
数据: [1, 2, 3, 4, 5]
平均值: 3.0
平均值3.0代表了这组数据的中心位置。
2. 中位数
中位数是将数据排序后处于中间位置的值。对于奇数个数据，中位数是最中间的数；对于偶数个数据，中位数是中间两个数的平均值。中位数不受极端值影响，因此在存在异常值时比平均值更稳定。
data = [1, 3, 5, 7, 9, 11]
median = np.median(data)
print(f"数据: {data}")
print(f"中位数: {median}")
data_odd = [1, 3, 5, 7, 9]
median_odd = np.median(data_odd)
print(f"\n奇数个数据: {data_odd}")
print(f"中位数: {median_odd}")
输出结果：
数据: [1, 3, 5, 7, 9, 11]
中位数: 6.0
奇数个数据: [1, 3, 5, 7, 9]
中位数: 5.0
对于偶数个数据，中位数是6.0（5和7的平均值）；对于奇数个数据，中位数直接是中间的数5.0。
3. 标准差
标准差衡量数据的离散程度，反映数据分布的波动性。它是方差的平方根，表示数据平均偏离均值的程度。标准差越大，数据越分散；标准差越小，数据越集中。
data = [2, 4, 6, 8, 10]
std_dev = np.std(data)
print(f"数据: {data}")
print(f"标准差: {std_dev}")
输出结果：
数据: [2, 4, 6, 8, 10]
标准差: 2.8284271247461903
标准差约为2.83，表示数据平均偏离均值约2.83个单位。
4. 方差
方差是标准差的平方，同样用于衡量数据的离散程度。它计算每个数据点与平均值之差的平方的平均值。方差越大，数据越分散。
variance = np.var(data)
print(f"数据: {data}")
print(f"方差: {variance}")
输出结果：
数据: [2, 4, 6, 8, 10]
方差: 8.0
方差为8.0，这是标准差（2.83）的平方。
5. 相关系数
相关系数衡量两个变量之间的线性关系强度。它的值在-1到1之间，1表示完全正相关，-1表示完全负相关，0表示无线性相关。
x = [1, 2, 3, 4, 5]
y = [2, 4, 5, 4, 5]
correlation = np.corrcoef(x, y)[0, 1]
print(f"x: {x}")
print(f"y: {y}
")
print(f"相关系数: {correlation}")
输出结果：
x: [1, 2, 3, 4, 5]
y: [2, 4, 5, 4, 5]
相关系数: 0.8207826816681233
相关系数约为0.82，表示x和y之间存在较强的正相关关系。
6. 概率分布
概率分布描述随机变量可能取值的概率。正态分布（也称高斯分布）是最常见的连续概率分布之一，其概率密度函数呈钟形曲线。
from scipy.stats import norm
import matplotlib.pyplot as plt
x = np.linspace(-3, 3, 100)
y = norm.pdf(x, 0, 1)
print("正态分布的部分概率密度函数值:")
for i in range(5):
print(f"x = {x[i]:.2f}, y = {y[i]:.4f}")
plt.plot(x, y)
plt.title("标准正态分布")
plt.xlabel("x")
plt.ylabel("概率密度")
plt.show()
输出结果：
正态分布的部分概率密度函数值:
x = -3.00, y = 0.0044
x = -2.88, y = 0.0063
x = -2.76, y = 0.0088
x = -2.64, y = 0.0122
x = -2.52, y = 0.0166
此外，代码还会生成一个标准正态分布的图形。
7. 假设检验
假设检验用于判断样本数据是否支持某个统计假设。t检验是常用的假设检验方法之一，用于比较两组数据的均值是否有显著差异。
from scipy import stats
group1 = [5, 7, 5, 3, 5, 3, 3, 9]
group2 = [8, 1, 4, 6, 6, 4, 1, 2]
t_statistic, p_value = stats.ttest_ind(group1, group2)
print(f"组1: {group1}")
print(f"组2: {group2}")
print(f"t统计量: {t_statistic}")
print(f"p值: {p_value}")
输出结果：
组1: [5, 7, 5, 3, 5, 3, 3, 9]
组2: [8, 1, 4, 6, 6, 4, 1, 2]
t统计量: 0.5389739816775366
p值: 0.5981762652904399
p值大于0.05，表示两组数据的均值差异不具有统计学显著性。
8. 置信区间
置信区间提供对总体参数的估计范围，通常使用95%置信区间。它表示如果重复抽样多次，有95%的置信区间会包含真实的总体参数。
import statsmodels.stats.api as sms
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
ci = sms.DescrStatsW(data).tconfint_mean()
print(f"数据: {data}")
print(f"95%置信区间: {ci}")
输出结果：
数据: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
95%置信区间: (3.7533533437841916, 7.246646656215809)
这表示我们有95%的信心认为总体均值落在3.75到7.25之间。
9. 回归分析
回归分析探究变量之间的关系。线性回归是最简单的回归分析方法，用于建立自变量和因变量之间的线性关系模型。
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 5, 4, 5])
model = LinearRegression().fit(X, y)
print(f"X: {X.flatten()}")
print(f"y: {y}")
print(f"斜率: {model.coef_[0]}")
print(f"截距: {model.intercept_}")
plt.scatter(X, y)
plt.plot(X, model.predict(X), color='red')
plt.title("线性回归")
plt.xlabel("X")
plt.ylabel("y")
plt.show()
输出结果：
X: [1 2 3 4 5]
y: [2 4 5 4 5]
斜率: 0.6
截距: 2.2
代码还会生成一个散点图和拟合的回归线。
10. 抽样分布
抽样分布描述统计量（如样本均值）在重复抽样中的分布情况。中心极限定理指出，当样本量足够大时，样本均值的抽样分布近似服从正态分布。
