(一)、数据示例
在这里插入图片描述
(二)、从excel文件中读取数据
#从excel文件中读取数据
def read(file):
wb = xlrd.open_workbook(filename=file)#打开文件
sheet = wb.sheet_by_index(0)#通过索引获取表格
rows = sheet.nrows # 获取行数
all_content = [] #存放读取的数据
for j in range(0, 6): #取第1~第6列对的数据
temp = []
for i in range(1,rows) :
cell = sheet.cell_value(i, j) #获取数据
temp.append(cell)
all_content.append(temp) #按列添加到结果集中
temp = []
return np.array(all_content)
(三)、统计描述
#统计描述
def calculate(datas):
MIN = np.min(datas,axis = 1) #计算最小值
MAX = np.max(datas,axis = 1) #计算最大值
AVG = np.average(datas,axis = 1) #计算平均值
MEDIAN = np.median(datas,axis = 1) #计算中位数
SKEWNESS =stats.skew(datas,axis = 1) #计算偏度
KURTOSIS = stats.kurtosis(datas,axis = 1) #计算峰度
STD = np.std(datas,axis = 1) #计算标准差
result = np.array([MIN,MAX,AVG,MEDIAN,SKEWNESS,KURTOSIS,STD]) #形成一个矩阵
return result
(四)、将统计描述输出到excel文件中
#将统计描述输出到excel文件中
def write(answer_data):
writer = pd.ExcelWriter('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\A.xlsx') # 写入Excel文件
answer_data.to_excel(writer, 'page_1', float_format='%.5f') # ‘page_1’是写入excel的sheet名
writer.save()
writer.close()
(五)、综合代码
# -*- coding: utf-8 -*-
"""
Created on Mon Jul 29 16:53:19 2019
@author: lenovo
"""
import xlrd
import numpy as np
import pandas as pd
from scipy import stats
from scipy.stats import pearsonr
#从excel文件中读取数据
def read(file):
wb = xlrd.open_workbook(filename=file)#打开文件
sheet = wb.sheet_by_index(0)#通过索引获取表格
rows = sheet.nrows # 获取行数
all_content = [] #存放读取的数据
for j in range(0, 6): #取第1~第6列对的数据
temp = []
for i in range(1,rows) :
cell = sheet.cell_value(i, j) #获取数据
temp.append(cell)
all_content.append(temp) #按列添加到结果集中
temp = []
return np.array(all_content)
#统计描述
def calculate(datas):
MIN = np.min(datas,axis = 1) #计算最小值
MAX = np.max(datas,axis = 1) #计算最大值
AVG = np.average(datas,axis = 1) #计算平均值
MEDIAN = np.median(datas,axis = 1) #计算中位数
SKEWNESS =stats.skew(datas,axis = 1) #计算偏度
KURTOSIS = stats.kurtosis(datas,axis = 1) #计算峰度
STD = np.std(datas,axis = 1) #计算标准差
result = np.array([MIN,MAX,AVG,MEDIAN,SKEWNESS,KURTOSIS,STD]) #形成一个矩阵
return result
#将统计描述输出到excel文件中
def write(answer_data):
writer = pd.ExcelWriter('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\A.xlsx') # 写入Excel文件
answer_data.to_excel(writer, 'page_1', float_format='%.5f') # ‘page_1’是写入excel的sheet名
writer.save()
writer.close()
datas=read('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\第5讲.相关系数7.17\\代码和例题数据\\八年级女生体测数据.xlsx')
result = calculate(datas) #统计描述
corrcoe = np.corrcoef(result) #计算皮尔逊相关系数
answer_data = pd.DataFrame(result) #将ndarry转换为DataFrame
write(answer_data) #输出结果
(六)、结果展示
在这里插入图片描述

(一)、数据示例
在这里插入图片描述
(二)、从excel文件中读取数据
#从excel文件中读取数据
def read(file):
wb = xlrd.open_workbook(filename=file)#打开文件
sheet = wb.sheet_by_index(0)#通过索引获取表格
rows = sheet.nrows # 获取行数
all_content = []        #存放读取的数据
for j in range(0, 6):       #取第1~第6列对的数据
temp = []
for i in range(1,rows) :
cell = sheet.cell_value(i, j)   #获取数据
temp.append(cell)
all_content.append(temp)    #按列添加到结果集中
temp = []
return np.array(all_content)
(三)、统计描述
#统计描述
def calculate(datas):
MIN = np.min(datas,axis = 1)    #计算最小值
MAX = np.max(datas,axis = 1)    #计算最大值
AVG = np.average(datas,axis = 1)    #计算平均值
MEDIAN = np.median(datas,axis = 1)  #计算中位数
SKEWNESS =stats.skew(datas,axis = 1)    #计算偏度
KURTOSIS = stats.kurtosis(datas,axis = 1)   #计算峰度
STD = np.std(datas,axis = 1)    #计算标准差
result = np.array([MIN,MAX,AVG,MEDIAN,SKEWNESS,KURTOSIS,STD])   #形成一个矩阵
return result
(四)、将统计描述输出到excel文件中
#将统计描述输出到excel文件中
def write(answer_data):
writer = pd.ExcelWriter('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\A.xlsx')       # 写入Excel文件
answer_data.to_excel(writer, 'page_1', float_format='%.5f')     # ‘page_1’是写入excel的sheet名
writer.save()
writer.close()
(五)、综合代码
# -*- coding: utf-8 -*-
"""
Created on Mon Jul 29 16:53:19 2019
@author: lenovo
"""
import xlrd
import numpy as np
import pandas as pd
from scipy import stats
from scipy.stats import pearsonr
#从excel文件中读取数据
def read(file):
wb = xlrd.open_workbook(filename=file)#打开文件
sheet = wb.sheet_by_index(0)#通过索引获取表格
rows = sheet.nrows # 获取行数
all_content = []        #存放读取的数据
for j in range(0, 6):       #取第1~第6列对的数据
temp = []
for i in range(1,rows) :
cell = sheet.cell_value(i, j)   #获取数据
temp.append(cell)
all_content.append(temp)    #按列添加到结果集中
temp = []
return np.array(all_content)
#统计描述
def calculate(datas):
MIN = np.min(datas,axis = 1)    #计算最小值
MAX = np.max(datas,axis = 1)    #计算最大值
AVG = np.average(datas,axis = 1)    #计算平均值
MEDIAN = np.median(datas,axis = 1)  #计算中位数
SKEWNESS =stats.skew(datas,axis = 1)    #计算偏度
KURTOSIS = stats.kurtosis(datas,axis = 1)   #计算峰度
STD = np.std(datas,axis = 1)    #计算标准差
result = np.array([MIN,MAX,AVG,MEDIAN,SKEWNESS,KURTOSIS,STD])   #形成一个矩阵
return result
#将统计描述输出到excel文件中
def write(answer_data):
writer = pd.ExcelWriter('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\A.xlsx')       # 写入Excel文件
answer_data.to_excel(writer, 'page_1', float_format='%.5f')     # ‘page_1’是写入excel的sheet名
writer.save()
writer.close()
datas=read('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\第5讲.相关系数7.17\\代码和例题数据\\八年级女生体测数据.xlsx')
result = calculate(datas)   #统计描述
corrcoe = np.corrcoef(result)   #计算皮尔逊相关系数
answer_data = pd.DataFrame(result)        #将ndarry转换为DataFrame
write(answer_data)  #输出结果
(六)、结果展示
在这里插入图片描述

(一)、数据示例
在这里插入图片描述
(二)、从excel文件中读取数据
#从excel文件中读取数据
def read(file):
wb = xlrd.open_workbook(filename=file)#打开文件
sheet = wb.sheet_by_index(0)#通过索引获取表格
rows = sheet.nrows # 获取行数
all_content = [] #存放读取的数据
for j in range(0, 6): #取第1~第6列对的数据
temp = []
for i in range(1,rows) :
cell = sheet.cell_value(i, j) #获取数据
temp.append(cell)
all_content.append(temp) #按列添加到结果集中
temp = []
return np.array(all_content)
(三)、统计描述
#统计描述
def calculate(datas):
MIN = np.min(datas,axis = 1) #计算最小值
MAX = np.max(datas,axis = 1) #计算最大值
AVG = np.average(datas,axis = 1) #计算平均值
MEDIAN = np.median(datas,axis = 1) #计算中位数
SKEWNESS =stats.skew(datas,axis = 1) #计算偏度
KURTOSIS = stats.kurtosis(datas,axis = 1) #计算峰度
STD = np.std(datas,axis = 1) #计算标准差
result = np.array([MIN,MAX,AVG,MEDIAN,SKEWNESS,KURTOSIS,STD]) #形成一个矩阵
return result
(四)、将统计描述输出到excel文件中
#将统计描述输出到excel文件中
def write(answer_data):
writer = pd.ExcelWriter('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\A.xlsx') # 写入Excel文件
answer_data.to_excel(writer, 'page_1', float_format='%.5f') # ‘page_1’是写入excel的sheet名
writer.save()
writer.close()
(五)、综合代码
# -*- coding: utf-8 -*-
"""
Created on Mon Jul 29 16:53:19 2019
@author: lenovo
"""
import xlrd
import numpy as np
import pandas as pd
from scipy import stats
from scipy.stats import pearsonr
#从excel文件中读取数据
def read(file):
wb = xlrd.open_workbook(filename=file)#打开文件
sheet = wb.sheet_by_index(0)#通过索引获取表格
rows = sheet.nrows # 获取行数
all_content = [] #存放读取的数据
for j in range(0, 6): #取第1~第6列对的数据
temp = []
for i in range(1,rows) :
cell = sheet.cell_value(i, j) #获取数据
temp.append(cell)
all_content.append(temp) #按列添加到结果集中
temp = []
return np.array(all_content)
#统计描述
def calculate(datas):
MIN = np.min(datas,axis = 1) #计算最小值
MAX = np.max(datas,axis = 1) #计算最大值
AVG = np.average(datas,axis = 1) #计算平均值
MEDIAN = np.median(datas,axis = 1) #计算中位数
SKEWNESS =stats.skew(datas,axis = 1) #计算偏度
KURTOSIS = stats.kurtosis(datas,axis = 1) #计算峰度
STD = np.std(datas,axis = 1) #计算标准差
result = np.array([MIN,MAX,AVG,MEDIAN,SKEWNESS,KURTOSIS,STD]) #形成一个矩阵
return result
#将统计描述输出到excel文件中
def write(answer_data):
writer = pd.ExcelWriter('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\A.xlsx') # 写入Excel文件
answer_data.to_excel(writer, 'page_1', float_format='%.5f') # ‘page_1’是写入excel的sheet名
writer.save()
writer.close()
datas=read('C:\\Users\\lenovo\\Desktop\\数学建模\\相关系数\\第5讲.相关系数7.17\\代码和例题数据\\八年级女生体测数据.xlsx')
result = calculate(datas) #统计描述
corrcoe = np.corrcoef(result) #计算皮尔逊相关系数
answer_data = pd.DataFrame(result) #将ndarry转换为DataFrame
write(answer_data) #输出结果
(六)、结果展示
在这里插入图片描述

​相信大多数公司的领导都已失去了一字一句看表格和文字的耐心，简化数据信息的方式之一就是图表，图表能够直观地展示数据，支撑观点，图表已经成了报表中最常用的数据展现方式之一。人类大脑对视觉信息的处理优于对文本的处理，因此使用图表、图形和设计元素把数据进行可视化，可以帮你更容易的解释数据模式、趋势、统计规律和数据相关性。

但问题也随之而来：手里数据一大堆，我该直接用图表还是图表表格兼用？图表种类丰富，样式多样，我该选择哪种类型的图表？类型选好了，怎么才能让图表更好地传递信息？如何能让我的图表令人眼前一亮又不模糊焦点？
数据可视化方法之图表展示数据

数据可视化都有一个共同的目的，那就是准确而高效、精简而全面地传递信息和知识。图表展示数据，实际上比传统的统计分析法更加精确和有启发性。我们可以借助可视化的图表寻找数据规律、分析推理、预测未来趋势。另外，利用可视化技术可以实时监控业务运行状况，更加阳光透明，及时发现问题第一时间做出应对。能做到简单、充实、高效、兼具美感就是好的可视化。
数据可视化方法之图表怎么做

1、明确图表想说明什么业务问题、业务逻辑 、数据分析结论。

2、确定关系和对比的维度，是时间趋势、比较，还是分布关系，对比维度（时间： 同比 环比 定基）、空间（华南 华北 区域与全国）、特定标准（实际和计划）。

3、根据对比关系，数据维度，数据分类多少选择合理的图表，每一种图表都有它自身的优点和局限性

4、生成图表并验证是否正确，是否和预期一致。

5、细节调整，坐标轴（刻度标记类型、间隙、刻度标签位置、数据类型、小数位、是否千分位）、颜色取值、图例位置、图上标签、图表标题等细节。

6、在恰当处备注文字说明，例如标注特殊事件。
数据可视化工具的优势

1、一些传统的数据分析和软件也扩展了某些可视化功能。数据可视化工具具有完美的信息和改进数据价值的作用。

2、数据可视化工具具有很强的实用性。这是一个爆炸性的需求，可以适应当前大数据时代不断增长的数据量。它可以快速收集分析数据，并可以实时更新数据信息。

3、操作非常简单方便。数据可视化工具具有操作方便的特点，能够满足快速发展的特点，能够对网络信息的瞬时变化做出及时，准确的响应。它的表现更丰富。数据可视化工具可以满足数据表示的多维要求，并支持多种数据集成方法，数据源不仅限于数据库，支持数据和文本、数据仓库，团队协作等。
可以看出，数据可视化工具在一定程度上是互联网和数据发展的产物。它的出现提高了企业的效率，企业做了大量无用的工作。
很显然在目前的信息时代，借助类似于Smartbi的这些工具，可以让企业加速融入企业数据可视化趋势。备受市场认可的软件其实有很多，选择时必须要结合实际的情况。一般的情况下，都建议选择市面上较主流的产品，比较容易达到好的效果，目前企业数据分析BI软件市场占有率前列的，就是思迈特软件——Smartbi。