作者：韩信子@ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/33
本文地址：http://www.showmeai.tech/article-detail/136
声明：版权所有，转载请联系平台与作者并注明出处
一、一维：描述性统计
描述性统计量分为：集中趋势、离散程度（离中趋势）和分布形态。
1.1 集中趋势
数据的集中趋势，用于度量数据分布的中心位置。直观地说，测量一个属性值的大部分落在何处。描述数据集中趋势的统计量是：平均值、中位数、众数。
（1）平均值（Mean）
指一组数据的算术平均数，描述一组数据的平均水平，是集中趋势中波动最小、最可靠的指标，但是均值容易受到极端值（极小值或极大值）的影响。
（2）中位数（Median）
指当一组数据按照顺序排列后，位于中间位置的数，不受极端值的影响，对于定序型变量，中位数是最适合的表征集中趋势的指标。
（3）众数（Mode）
指一组数据中出现次数最多的观测值，不受极端值的影响，常用于描述定性数据的集中趋势。
1.2 离散程度
数据的离散趋势，用于描述数据的分散程度，描述离散趋势的统计量是：极差、四分位数极差（IQR）、标准差、离散系数。
（1）极差（Range）
又称全距，记作R，是一组数据中的最大观测值和最小观测值之差。一般情况下，极差越大，离散程度越大，其值容易受到极端值的影响。
（2）四分位数极差（Inter-Quartile Range， IQR）
又称内距，是上四分位数和下四分位数的差值，给出数据的中间一半所覆盖的范围。IQR是统计分散程度的一个度量，分散程度通过需要借助箱线图（Box Plot）来观察。通常把小于 Q1-1.5IQR 或者大于 Q3+1.5IQR 的数据点视作离群点。
（3）方差（Variance）
方差和标准差是度量数据离散程度时，最重要】最常用的指标。方差，是每个数据值与全体数据值的平均数之差的平方值的平均数，常用 $\sigma ^{2}$表示。
$$ \sigma^{2} = \frac{\sum \left ( X - \mu \right )^{2}}{N} $$
（4）标准差（Standard Deviation）
又称均方差，常用 \sigma 表示，是方差的算术平方根。计算所有数值相对均值的偏离量，反映数据在均值附近的波动程度，比方差更方便直观。
$$\sigma = \sqrt{\frac{\sum \left ( X - \mu \right )^{2} }{N} } $$
（5）离散系数（Coefficient of Variation）
又称变异系数，为标准差 \sigma 与平均值 \mu 之比，用于比较不同样本数据的离散程度。离散系数大，说明数据的离散程度大；离散系数小，说明数据的离散程度也小。
$$C_{v} = \frac{\sigma}{\mu} $$
1.3 分布形态
（1）偏度（Skewness）
用来评估一组数据分布呈现的对称程度。
- 当偏度系数=0时，分布是对称的
- 当偏度系数>0时，分布呈正偏态（右偏）
- 当偏度系数<0时，分布呈负偏态（左偏）
（2）峰度（Kurtosis）
用来评估一组数据的分布形状的高低程度的指标。
- 当峰度系数=0时，是正态分布
- 当峰度系数>0时，分布形态陡峭，数据分布更集中
- 当峰度系数<0时，分布形态平缓，数据分布更分散
（3）其他数据分布图
分位数是观察数据分布的最简单有效的方法，但分位数只能用于观察单一属性的数据分布。散点图可以用来观察双变量的数据分布，聚类可以用来观察更多变量的数据分布。通过观察数据的分布，采用合理的指标，使数据的分析更全面，避免得出像平均工资这类偏离事实的的分析结果。
二、交叉维度
2.1 相关性和线性回归
（1）相关系数
又称简单相关系数，常用 r 表示，反应两个变量之间的相关关系及相关方向。
（2）线性回归（Linear Regression）
线性回归是利用数理统计中回归分析，确定两种或两种以上变量间相互依赖的定量关系。
回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。
如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
2.2 方差分析
（1）单因素方差分析
一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系。
（2）多因素有交互方差分析
一项实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系。
三、概率论
3.1 概率事件
（1）独立事件
$$P\left ( A\cap B \right ) = P(A)P(B)$$
（2）对立事件
$$P(A) = 1 - P(B)$$
（3）互斥事件
$$P\left ( A\cap B \right ) = 0$$
（4）穷举事件
$$P\left ( A\cup B \right ) = 1$$
3.2 条件概率
（1）条件概率
$$P(A \mid B) = \frac{P(AB)}{P(B)}$$
（2）全概率公式
$$P(B) = P(AB) + P(\bar{A} B) = P(A)P(B \mid A) + P(\bar{A} )P(B \mid \bar{A} )$$
（3）贝叶斯定理
$$P(A \mid B) = \frac{ P(A)P(B \mid A) }{ P(A)P(B \mid A) + P(\bar{A})P(B \mid \bar{A}) } $$
3.3 排列组合
（1）排列
$$P_{n}^{N} = n! \begin{pmatrix}N \\n\end{pmatrix} = \frac{N!}{ \left (N-n \right )! }$$
（2）组合
$$C_{n}^{N} = \begin{pmatrix}N \\n\end{pmatrix} = \frac{N!}{n! \left (N-n \right )! }$$
3.4 概率分布
（1）连续型概率分布
正态分布：正态概率分布是连续型随机变量中最重要的分布，记为
$$x\sim N\left (\mu ， \sigma^{2} \right)$$
经验法则：正态随机变量有69.3%的值在均值加减个标准差的范围内，95.4%的值在两个标准差内，99.7%的值在三个标准差内。
（2）离散型概率分布
- 伯努利分布
进行一次实验，若成功则随机变量取值为1，若失败则取值为0，成功的概率为p失败的概率为1-p
- 二项分布
n个独立的是/非实验中，成功次数的概率分布。n=1时，二项分布就是伯努利分布
- 泊松分布
在连续时间或空间单位上发生随机事件次数的概率。
四、统计推断
4.1 抽样
抽样：应该满足抽样的随机性原则。
抽样方法：简单随机抽样、分层抽样、整群抽样、系统抽样
4.2 置信区间
4.3 假设检验
资料与代码下载
本教程系列的代码可以在ShowMeAI对应的github中下载，可本地python环境运行，能科学上网的宝宝也可以直接借助google colab一键运行与交互操作学习哦！
本系列教程涉及的速查表可以在以下地址下载获取：
拓展参考资料
- Pandas可视化教程
- Seaborn官方教程
ShowMeAI相关文章推荐
- 数据分析介绍
- 数据分析思维
- 数据分析的数学基础
- 数据清洗与预处理
- 业务分析与数据挖掘
- 数据分析工具地图
- 统计与数据科学计算工具库Numpy介绍
- Numpy与1维数组操作
- Numpy与2维数组操作
- Numpy与高维数组操作
- 数据分析工具库Pandas介绍
- 图解Pandas核心操作函数大全
- 图解Pandas数据变换高级函数
- Pandas数据分组与操作
- 数据可视化原则与方法
- 基于Pandas的数据可视化
- seaborn工具与数据可视化