對比Excel，輕松學習Python統(tǒng)計分析

目錄
第1 章 認識統(tǒng)計學 / 1
1.1 統(tǒng)計學是什么 . 1
1.2 統(tǒng)計學和數(shù)據(jù)分析有什么關系  1
1.3 Python 統(tǒng)計學和統(tǒng)計學有什么區(qū)別 . 2
 
第2 章 描述性分析 / 3
2.1 描述性分析在數(shù)據(jù)分析中的應用場景  3
2.2 數(shù)據(jù)類型 . 3
2.3 數(shù)據(jù)整理與展示 . 3
2.3.1 分類型數(shù)據(jù)的整理與展示 . 4
2.3.2 數(shù)值型數(shù)據(jù)的整理與展示 . 7
2.4 概括性分析 . 17
2.4.1 集中趨勢指標 . 18
2.4.2 離散程度指標 . 23
2.4.3 分布情況指標 . 25
2.5 其他容易混淆的概念  28
2.5.1 平均值與期望 . 28
2.5.2 比例和比率 . 30
2.5.3 百分比和百分點 . 31
 
第3 章 概率和概率分布 / 33
3.1 概率和概率分布在數(shù)據(jù)分析中的應用場景  33
3.2 常見概念 . 33
3.2.1 什么是隨機事件 . 33
3.2.2 什么是隨機變量 . 34
3.2.3 什么是概率 . 34
3.3 離散型隨機變量概率分布  36
3.3.1 概率分布表與概率分布圖 . 36
3.3.2 累積分布函數(shù)與百分點函數(shù) . 37
3.3.3 期望與方差 . 37
3.3.4 常見離散型概率分布 . 38
3.4 連續(xù)型隨機變量概率分布  46
3.4.1 概率密度與累積分布 . 46
3.4.2 期望與方差 . 50
3.4.3 常見連續(xù)型概率分布 . 50
 
第4 章 抽樣推斷與參數(shù)估計 / 65
4.1 抽樣推斷與參數(shù)估計在數(shù)據(jù)分析中的應用場景  65
4.2 抽樣的基本概念 . 65
4.2.1 總體和樣本 . 65
4.2.2 常用統(tǒng)計量 . 66
4.3 常用的抽樣方式 . 66
4.3.1 簡單隨機抽樣 . 67
4.3.2 分層抽樣 . 67
4.4 為什么樣本可以代表總體  68
4.4.1 中心極限定理 . 68
4.4.2 大數(shù)定理 . 70
4.5 參數(shù)估計的基本方法  71
4.5.1 點估計 . 71
4.5.2 區(qū)間估計 . 72
4.6 區(qū)間估計的類型 . 72
4.6.1 一個總體參數(shù)的區(qū)間估計 . 72
4.6.2 兩個總體參數(shù)的區(qū)間估計 . 80
 
第5 章 假設檢驗 / 88
5.1 假設檢驗在數(shù)據(jù)分析中的應用場景  88
5.2 假設檢驗基本思想 88
5.3 假設檢驗中常見的兩種錯誤  90
5.4 顯著性水平和功效 90
5.5 假設檢驗的基本步驟  91
5.6 一個總體參數(shù)的檢驗  94
5.6.1 總體均值的檢驗 . 94
5.6.2 總體比例的檢驗 . 98
5.6.3 總體方差的檢驗 . 99
5.7 兩個總體參數(shù)的檢驗  101
5.7.1 兩個總體均值之差的檢驗 . 101
5.7.2 兩個總體比例之差的檢驗 . 106
5.7.3 兩個總體方差比的檢驗 . 107
5.8 假設檢驗中最小樣本量的確定  109
5.9 A/B 測試的完整流程 . 111
 
第6 章 方差分析 / 113
6.1 方差分析在數(shù)據(jù)分析中的應用場景 . 113
6.2 方差分析的3 個假設 . 113
6.3 正態(tài)性檢驗方法  113
6.3.1 直方圖檢驗  113
6.3.2 Q-Q 圖檢驗  114
6.3.3 KS 檢驗  114
6.3.4 AD 檢驗 . 115
6.3.5 W 檢驗 . 116
6.3.6 非正態(tài)數(shù)據(jù)轉(zhuǎn)換  116
6.4 方差齊性檢驗方法. 118
6.4.1 方差比檢驗  118
6.4.2 Hartley 檢驗 . 118
6.4.3 Bartlett 檢驗 . 119
6.4.4 Levene 檢驗 . 119
6.5 方差分析的基本步驟  120
6.6 方差分析的多重比較  125
6.6.1 LSD 多重比較法 . 125
6.6.2 Sidak 多重比較法 . 127
6.6.3 Bonferroni 多重比較法 . 128
6.7 多因素方差分析 . 129
6.7.1 無交互作用的多因素方差分析 . 129
6.7.2 有交互作用的多因素方差分析 . 134
 
第7 章 卡方分析 / 140
7.1 卡方分析在數(shù)據(jù)分析中的應用場景  140
7.2 理論講解 . 140
7.3 Excel 與Python 實現(xiàn)  142
 
第8 章 回歸模型 / 144
8.1 回歸模型在數(shù)據(jù)分析中的應用場景  144
8.2 一元線性回歸 . 144
8.2.1 一元線性回歸方程形式 . 144
8.2.2 最小二乘參數(shù)估計法 . 145
8.2.3 擬合程度判斷 . 147
8.2.4 顯著性檢驗 . 147
8.2.5 Excel 與Python 實現(xiàn)  149
8.3 多元線性回歸 . 151
8.3.1 多元線性回歸方程形式 . 151
8.3.2 最小二乘參數(shù)估計法 . 151
8.3.3 擬合程度判斷 . 151
8.3.4 顯著性檢驗 . 152
8.3.5 多重共線性 . 153
8.3.6 Excel 與Python 實現(xiàn)  153
8.4 協(xié)方差分析 . 155
8.4.1 理論講解 . 155
8.4.2 Excel 與Python 實現(xiàn)  157
 
第9 章 相關性分析 / 159
9.1 相關性分析在數(shù)據(jù)分析中的應用場景  159
9.2 相關系數(shù)的種類 . 159
9.2.1 皮爾遜相關系數(shù) . 159
9.2.2 斯皮爾曼相關系數(shù) . 162
9.2.3 肯德爾相關系數(shù) . 162
9.2.4 Excel 與Python 實現(xiàn)  163
9.3 相關與因果 . 164
 
第10 章 時間序列 / 165
10.1 時間序列在數(shù)據(jù)分析中的應用場景 165
10.2 平穩(wěn)時間序列預測 . 165
10.2.1 簡單平均法 . 166
10.2.2 移動平均法 . 167
10.2.3 指數(shù)平滑法 . 169
10.3 時間序列預測模型 . 172
10.3.1 AR 模型  172
10.3.2 MA 模型  174
10.3.3 ARMA 模型  175
10.3.4 ARIMA 模型 . 176
10.4 時間序列分解預測 . 177
10.5 趨勢時間序列預測 . 187
10.5.1 線性趨勢預測 . 187
10.5.2 指數(shù)趨勢預測 . 189
10.5.3 對數(shù)趨勢預測 . 191