Python数据分析初探（一）

晚上和一个大学实验室的好友谈到前后端的工作，谈了各自的看法，关于程序员的辛酸和奋斗过程，发现做出重大决定需要很大的勇气和信心，我也坚信，我能坚持下去，所以，开始技术的学习。

大概看了看 Python 数据分析的前几章，了解到数据分析的基础分析需要有一定的数学基础，比如：概率论，统计学，随机变量分布，大数定律，参数估计等等，这些大学时候学过的理论知识，现在已经忘得差不多了，该捡起来了。

工程师一般需要在特定场景下对数据做有理有据的分析和解释，那么，如何实现呢？

针对不同的业务场景需要才有用不同的建模策略，而简单的基础分析策略比复杂的分析策略要高效许多，一般用到的简单的策略有：统计量和概率分布。

统计量在统计学定义为一个总体参数的点估计量，说白了就是一组数据的特点。

其中，描述这些特点主要有以下几个词：均值、方差、中位数等，我们主要通过这些指标来描述一组数据的特点，从各个角度来分析，得出不一样的结论，最终服务于我们的实际生活，帮助我们做出正确的决策。

均值：其实就是一组数据的平均值，描述一组数据的平均水平。比如，一个班级的男女生身高组成一组数据，然后通过求均值来判断一个班级的平均身高是否处于正常水平。

中位数：反映数据集的中间程度；

众数：出现的次数最多的数据，比如，一群人中有喜欢吃苹果，香蕉和西瓜的，但是80%的人喜欢吃西瓜，那么西瓜在这组数据中出现的次数最多，西瓜即为这组数据的中位数。

方差：判断一组数据的稳定性。比如：A和B的均值一样，但是同样条件下，A的方差比B的小，说明A更稳定，A更值得信赖。

协方差和相关系数：方差反映的是一组数据自身的波动情况，协方差则反映了两组数据之间的线性相关性。协方差为正时，说明两组数据正相关，导致数据同时变化的可能是其他未知的原因。

第一次写技术文，介绍了数据分析中的基础分析的一些概念，后面会陆续介绍数据分析的相关知识，并根据实际情况增加一些小项目，增加趣味性，让大家在有趣生活中学到一点东西。

一点点改变，有很大的差别。

Python 数据分析初探