文章目錄

• chapter2—40題
• chapter3—54題
• chapter3—60題

chapter2—40題

數(shù)據(jù)文件名為Sno.csv，包含美國(guó)51個(gè)主要城市1981~2010年的年平均最高氣溫和年平均降雪量
1.以年平均最低氣溫為橫軸，年平均降雪量為數(shù)軸，繪制散點(diǎn)圖
2.這兩個(gè)變量之間存在相關(guān)關(guān)系嗎

練習(xí)：
1.畫散點(diǎn)圖

#導(dǎo)入庫(kù)import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline plt.rcParams['font.sans-serif']=['Arial Unicode MS'] #用來(lái)正常顯示中文標(biāo)簽（MAC） plt.rcParams['axes.unicode_minus']=False #用來(lái)正常顯示負(fù)號(hào)#讀取數(shù)據(jù) snow = pd.read_csv("/myfile/個(gè)人事務(wù)/數(shù)據(jù)分析學(xué)習(xí)/商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)/數(shù)據(jù)文件/第2章/Snow.csv",sep=",")

#畫散點(diǎn)圖 X = snow["Average Low temp"] X = round((X-32)/1.8,2) #將溫度單位轉(zhuǎn)化為更熟悉的攝氏度，保留兩位小數(shù) Y = snow["Average Snowfall"]fig = plt.figure(figsize=(8,6)) #設(shè)置圖片尺寸 plt.scatter(X,Y) plt.title("溫度與降雪量散點(diǎn)圖") plt.xlabel("年平均最低氣溫（℃）") plt.ylabel("年平均降雪量（英寸）")

2.年平均最低氣溫越低，年降雪量越高

chapter3—54題

BorderCrossings.csv文件，包含8月期間50個(gè)最繁忙的美國(guó)-加拿大和美國(guó)-墨西哥入境口岸的個(gè)人車輛過(guò)境數(shù)（四舍五入到最接近的1000輛）（美國(guó)交通運(yùn)輸局網(wǎng)站，2013年2月28日）
1.這些入境口岸過(guò)境次數(shù)的平均數(shù)和中位數(shù)是多少
2.第一四分位數(shù)和第三四分位數(shù)各為多少
3.用五數(shù)概括法匯總數(shù)據(jù)
4.數(shù)據(jù)是否包含異常值？繪制箱形圖。

練習(xí)：
1.求平均數(shù)和中位數(shù)

BC = pd.read_csv("/myfile/個(gè)人事務(wù)/數(shù)據(jù)分析學(xué)習(xí)/商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)/數(shù)據(jù)文件/第3章/BorderCrossings.csv",sep=",") BC.rename(columns={"Port Name":"Port_Name","Personal Vehicles (1000s)":"Personal_Vehicles"},inplace=True) # 求平均數(shù) BC.Personal_Vehicles.mean() # 求中位數(shù) BC.Personal_Vehicles.median()

結(jié)果

2.求分位數(shù)
a.直接使用numpy庫(kù)中的np.percentile()函數(shù)求分位數(shù)

q1 = np.percentile(BC["Personal_Vehicles"],25,interpolation="linear") #計(jì)算第一四分位數(shù) q3 = np.percentile(BC["Personal_Vehicles"],75,interpolation="linear") #計(jì)算第三四分位數(shù)print("第一四分位數(shù)是：{}".format(q1)) print("第三四分位數(shù)是：{}".format(q3))

查閱答案發(fā)現(xiàn)，計(jì)算結(jié)果和標(biāo)準(zhǔn)答案不同，因此根據(jù)書上公式自編一段函數(shù)求解

b.自編函數(shù)
先將樣本排序，$X=\left\{x_1,x_2,\dots ,x_n\right\},x_1<=x_2<=...<=,x_n$
根據(jù)書上公式，先求分位數(shù)的位置
$$L_p=\frac{p}{100}?(n+1)$$
其中p為第p分位數(shù)，n為樣本數(shù)量
若$L_p$為整數(shù)，則對(duì)應(yīng)位置的值$x_{L_p}$為第p分位數(shù)；若$L_p$不為整數(shù)，則記整數(shù)部分為$L_{p?int}$，小數(shù)部分為$L_{p?dec}$，計(jì)算公式為
$$Q=x_{L_{p?int}}+(x_{L_{p?int}+1}?x_{L_{p?int}})?L_{p?dec}$$

# 自定義函數(shù) import math def quantile(x,q):x = sorted(x)n = len(x)local = q/100*(n+1) #計(jì)算分位數(shù)位置local_dec,local_int = math.modf(local) #math的math.modf()函數(shù)，分別取浮點(diǎn)型數(shù)字的小數(shù)部分和整數(shù)部分local_int = int(local_int) #轉(zhuǎn)換數(shù)據(jù)類型q_percent = x[local_int-1]+(x[local_int]-x[local_int-1])*local_dec #根據(jù)公式計(jì)算分位數(shù)的值return q_percent q_1 = quantile(BC["Personal_Vehicles"],25) q_3 = quantile(BC["Personal_Vehicles"],75)print("根據(jù)《商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)》定義得第一四分位數(shù)是：{}".format(q_1)) print("根據(jù)《商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)》定義得第三四分位數(shù)是：{}".format(q_3))

3.用五數(shù)概括法描述數(shù)據(jù)
五數(shù)指：最小值、第一四分位數(shù)、中位數(shù)、第三四分位數(shù)、最大值

# 五數(shù)概括法 BC.Personal_Vehicles.describe()

4.異常值檢測(cè)，箱形圖
根據(jù)書上的方法，數(shù)據(jù)的下限和上限為
$$下限=Q_1?1.5?IQR$$
$$上限=Q_3+1.5?IQR$$
其中$IQR=Q_3?Q_1$

# 異常值檢測(cè) IQR = q3 - q1 lower = q1 - 1.5 * IQR upper = q3 + 1.5 * IQR BC["Personal_Vehicles"] = BC["Personal_Vehicles"].astype("float") BC[((BC["Personal_Vehicles"] < lower) | (BC["Personal_Vehicles"] > upper))]

# 畫箱形圖 plt.boxplot(BC["Personal_Vehicles"])

chapter3—60題

羅素1000是包含美國(guó)最大的1000家公司的股票市場(chǎng)指數(shù)，以30家大公司的股票價(jià)格為依據(jù)。文件Russell.csv給出1988~2012年這些指數(shù)各自的年回報(bào)率
1.繪制這些回報(bào)率的散點(diǎn)圖
2.計(jì)算每個(gè)指數(shù)的樣本均值和樣本標(biāo)準(zhǔn)差
3.計(jì)算樣本相關(guān)系數(shù)
4.討論這兩個(gè)指數(shù)之間的相似性與不同性

練習(xí)：
1.散點(diǎn)圖

# 讀取文件 russ = pd.read_csv("/myfile/個(gè)人事務(wù)/數(shù)據(jù)分析學(xué)習(xí)/商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)/數(shù)據(jù)文件/第3章/Russell.csv",sep=",") # 繪制散點(diǎn)圖y1 = russ["DJIA % Return"] y2 = russ["Russell 1000 % Return"]plt.scatter(y1,y2,c = "b",label = "DJIA")

2.計(jì)算樣本均值和樣本標(biāo)準(zhǔn)差
樣本均值：$\bar{x}=\frac{\sum x_i}{n}$
樣本標(biāo)準(zhǔn)差：$s=\sqrt{\frac{\sum (x_i?\bar{x}{)}^2}{n?1}}$

# 計(jì)算樣本均值和標(biāo)準(zhǔn)差 DJIA_mean = y1.mean() DJIA_std = y1.std()Russ_mean = y2.mean() Russ_std = y2.std()print("DJIA指數(shù)的樣本均值為:{},樣本方差為：{}".format(round(DJIA_mean,2),round(DJIA_std,2))) print("Russell指數(shù)的樣本均值為:{},樣本方差為：{}".format(round(Russ_mean,2),round(Russ_std,2)))

3.計(jì)算相關(guān)系數(shù)

# 計(jì)算樣本相關(guān)系數(shù) round(y1.corr(y2),4)

4.這兩個(gè)指數(shù)呈正相關(guān)，Russell指數(shù)的樣本標(biāo)準(zhǔn)差略大于DJIA指數(shù)。

總結(jié)

以上是生活随笔為你收集整理的用python完成《商务与经济统计（13版）》课后练习及案例分析——第2章和第3章的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。