本周系实践课程，主要参考https://www.jb51.net/article/169033.htm中的实现。
作业来源：数据科学家联盟公号
import pandasas pd
import numpyas np
import matplotlib.pyplotas plt
from scipyimport stats
df = pd.read_excel('D:/Users/Desktop/Desktop/作业/data.xlsx', usecols=[1, 2, 3])
# 拿到港口'Embarked'、年龄'Age'、价格'Fare'的数据
df2 = df.groupby(['Embarked'])
df2.describe()
# 按照港口'Embarked'分类后，查看 年龄、车票价格的统计量。
# 变异系数 = 标准差/平均值
def cv(data):
return data.std() / data.var()
df2 = df.groupby(['Embarked']).agg(['count', 'min', 'max', 'median', 'mean', 'var', 'std', cv])
df2 = df2.apply(lambda x:round(x, 2))
df2_age = df2['Age']
df2_fare = df2['Fare']
#分类后年龄及价格统计量描述数据如下图：
#年龄统计量
#价格统计量
#2、画出价格的分布图像，验证数据服从何种分布（正态？卡方？还是T?）
#2.1 画出船票的直方图：
plt.hist(df['Fare'], 20, normed=None, alpha=0.75)
plt.title('Fare')
plt.grid(True)#船票价格的直方图及概率分布
#2.2 验证是否符合正态分布？
# 分别用kstest、shapiro、normaltest来验证分布系数
ks_test = stats.kstest(df['Fare'], 'norm')
# KstestResult(statistic=0.99013849978633, pvalue=0.0)
shapiro_test = stats.shapiro(df['Fare'])
# shapiroResult(0.5256513357162476, 7.001769945799311e-40)
normaltest_test = stats.normaltest(df['Fare'], axis=0)
# NormaltestResult(statistic=715.0752414548335, pvalue=5.289130045259168e-156)
#以上三种检测结果表明 p < 5 %, 因此船票数据不符合正态分布。绘制拟合正态分布曲线:
fare = df['Fare']
plt.figure()
fare.plot(kind='kde')# 原始数据的正态分布
M_S = stats.norm.fit(fare)# 正态分布拟合的平均值loc，标准差scale
normalDistribution = stats.norm(M_S[0], M_S[1])# 绘制拟合的正态分布图
x = np.linspace(normalDistribution.ppf(0.01), normalDistribution.ppf(0.99), 100)
plt.plot(x, normalDistribution.pdf(x), c='orange')
plt.xlabel('Fare about Titanic')
plt.title('Titanic[Fare] on NormalDistribution', size=20)
plt.legend(['Origin', 'NormDistribution'])
#结论：船票拟合正态分布曲线
#2.3 验证是否符合T分布？
T_S = stats.t.fit(fare)
df = T_S[0]
loc = T_S[1]
scale = T_S[2]
x2 = stats.t.rvs(df=df, loc=loc, scale=scale, size=len(fare))
D, p = stats.ks_2samp(fare, x2)# (0.25842696629213485 2.6844476044528504e-21)
# p = 2.6844476044528504e-21 ，p < alpha，拒绝原假设，价格数据不符合t分布。
#对票价数据进行T分布拟合：
plt.figure()
fare.plot(kind='kde')
TDistribution = stats.t(T_S[0], T_S[1], T_S[2])# 绘制拟合的T分布图
x = np.linspace(TDistribution.ppf(0.01), TDistribution.ppf(0.99), 100)
plt.plot(x, TDistribution.pdf(x), c='orange')
plt.xlabel('Fare about Titanic')
plt.title('Titanic[Fare] on TDistribution', size=20)
plt.legend(['Origin', 'TDistribution'])
#票价拟合T分布
#2.4 验证是否符合卡方分布？
chi_S = stats.chi2.fit(fare)
df_chi = chi_S[0]
loc_chi = chi_S[1]
scale_chi = chi_S[2]
x2 = stats.chi2.rvs(df=df_chi, loc=loc_chi, scale=scale_chi, size=len(fare))
Df, pf = stats.ks_2samp(fare, x2)# (0.16292134831460675, 1.154755913291936e-08)
#p = 1.154755913291936e-08 ，p < alpha，拒绝原假设，价格数据不符合卡方分布。
#对票价数据进行卡方分布拟合
plt.figure()
fare.plot(kind='kde')
chiDistribution = stats.chi2(chi_S[0], chi_S[1], chi_S[2])# 绘制拟合的正态分布图
x = np.linspace(chiDistribution.ppf(0.01), chiDistribution.ppf(0.99), 100)
plt.plot(x, chiDistribution.pdf(x), c='orange')
plt.xlabel('Fare about Titanic')
plt.title('Titanic[Fare] on chi-square_Distribution', size=20)
plt.legend(['Origin', 'chi-square_Distribution'])
#票价拟合卡方分布
#3、按照港口分类，验证S与Q两个港口间的价格之差是否服从某种分布
df = pd.read_excel('D:/Users/Desktop/Desktop/作业/data.xlsx', usecols=[1, 2, 3])
S_fare = df[df['Embarked'] =='S']['Fare']
Q_fare = df[df['Embarked'] =='Q']['Fare']
C_fare = df[df['Embarked'] =='C']['Fare']
S_fare.describe()
#count 554.000000 | mean 27.476284 | std 36.546362|min 0.000000||25 % 8.050000|50 % 13.000000|75 % 27.862500|max 263.000000|
Q_fare.describe()
#count 28.000000|mean 18.265775|std 21.843582 |min 6.750000|25 % 7.750000|50 % 7.750000|75 % 18.906250|max 90.000000
C_fare.describe()
#count 130.000000|mean 68.296767|std 90.557822|min 4.012500 |25 % 14.454200|50 % 36.252100|75 % 81.428100|max 512.329200
#按照港口分类后，S港口样本数 <= 554, Q港口样本数 <= 28, C港口样本数 <= 130。
#总体不服从正态分布，所以需要当n比较大时，一般要求n >= 30，两个样本均值之差的抽样分布可近似为正态分布。X2的总体容量为28，其样本容量不可能超过30，故其S港和Q港两个样本均值之差（E(X1) - E(X2)）的抽样分布不服从正态分布。
#S港和C港两个样本均值之差（E(X1) - E(X3)）的抽样分布近似服从正态分布，其均值和方差分别为E(E(X1) - E(X3)) = E(E(X1)) - E(E(X3)) = μ1 - μ3；D(E(X1) + E(X3)) = D(E(X1)) + D(E(X3)) = σ1² / n1 + σ3² / n3 。绘图如下：
miu = np.mean(S_fare) - np.mean(C_fare)
sig = np.sqrt(np.var(S_fare, ddof=1) /len(S_fare) + np.var(C_fare, ddof=1) /len(C_fare))
x = np.arange(-110, 50)
y = stats.norm.pdf(x, miu, sig)
plt.plot(x, y)
plt.xlabel("S_Fare - C_Fare")
plt.ylabel("Density")
plt.title('Fare difference between S and C')
plt.show()
结果及图片如下：为减少篇幅，不在此一一罗列
网友评论