NÚMEROS. Python

Medidas de posición (I)

Estadística descriptiva

Siguiendo con el esquema de trabajo iniciado con las medidas de tendencia central, y después de ver cómo podemos calcular las medidas de posición no central manualmente y mediante las funciones Calc, vamos a ver ahora cómo calcularlas empleando Python y su biblioteca Stadistics.

Empezamos en esta ocasión por el cálculo del mínimo y del máximo, ya que para ello no necesitamos más que los datos sobre los que trabajar y utilizar directamente las funciones Python min(datos) y max(datos) para obtener esos valores de la distribución, que visualizamos en el CMD mediante la función print()

El script que desarrolla lo anterior que queda disponible en este enlace. Aquí no le voy a conceder más espacio.

El cálculo de cuantiles presenta otras condiciones, ya que ahora sí es preciso el uso de una biblioteca específica, que en este momento será la biblioteca integrada en el lenguaje y que ya conocemos de otra entrada: Stadistics. Este sería el script que reproduce lo visto en Calc en una entrada anterior. Pormenorizo las secciones del script para facilitar su comprensión y la comparación con el script OOo Basic original.

import statistics as st

datos = [1,1,1,2,2,2,2,3,3,3,3,3,3,3,3,4,4,4,4,4,4,5,5,5,5,5,5,5,5,6,6,6,6,6,6,6,6,6]

# Calculo de cuartiles
cuartil = st.quantiles(datos, n=4)

# Primer cuartil
q1 = cuartil[0]
#Segundo cuartil
q2 = cuartil[1]
#Tercer cuartil
q3 = cuartil[2]

print("Cuartil 1 -> " + str(q1))
print("Cuartil 2 -> " + str(q2))
print("Cuartil 3 -> " + str(q3))

#Cálculo de deciles
decil = st.quantiles(datos, n=10)

#Segundo decil
d2 = decil[2]
#Cuarto decil
d4 = decil[4]

print("Segundo decil -> " + str(d2))
print("Cuarto decil -> " + str(d4))

#Cálculo de percentiles
percentil = st.quantiles(datos, n=100)

#Percentil 12
p12 = percentil[12]
#Percentil 85
p85 = percentil[85]

print("Percentil 12 -> " + str(p12))
print("Percentil 85 -> " + str(p85))

En este scritp empezamos por importar la biblioteca import statistics as st y crear (en este caso) o acceder a un conjunto de de datos (aquí se identifica como lista datos = []. El cálculo de un valor cuantil se basa en el uso de la función quantiles() de Stadistics, la cual recibe dos parámetros st.quantiles(datos, n=4):

• El conjunto de datos (lista datos en nuestro caso)
• Y un valor numérico asociado a n (en el ejemplo n=4), que expresa el número de partes en las que la función va a dividir a la colección o lista de datos.

En la primera parte del script deseamos calcular cuartiles, por lo que n = 4. Después, cuando deseamos obtener un cuartil en concreto, lo que hacemos es indicarlo por medio de un valor numérico que indica la posición de esa parte. Por ejemplo, si cuartil = st.quantiles(datos, n=4), para obtener el cuartil 1 pediremos q1 = cuartil[0] y para pedir el tercer cuartil q3 = cuartil[2]

Si lo que deseamos es obtener deciles, dividiremos el conjunto en 10 partes decil = st.quantiles(datos, n=10) y si precisamos calcular percentiles, lo dividimos en 100 partes percentil = st.quantiles(datos, n=100)

NÚMEROS. Python

Stadistics

Bibliotecas Python

Como lenguaje, Python es empleado muy frecuentemente en el análisis de datos, lo que se suele traducir en el empleo de cálculos y procedimientos estadísticos. Para ello contamos con la ayuda de funciones nativas y bibliotecas externas. En esta entrada hablaremos de Stadistics.

stadistics es un conjunto de funciones incluido en el pack de recursos que se instalan cuando instalamos Pythonde modo que no requeire instalación específica mediante pip install, aunque sí requiere ser importado en el script mediante import statistics as st.

La documentación sobre stadistics forma parte del conjunto de módulos numéricos y matemáticos de Python y está disponible en esta página.

Como se indica en ella, stadistics está concebida como una biblioteca de recursos para el cálculo numérico, la estadística descriptiva univariada y bivariada y el análisis de probabilidad a nivel de una calculadora científica. Para el uso práctico de sus funciones dentro de este blog, ver aquí un primer ejemplo.

NÚMEROS. Python

Medidas de tendencia central (I)

Estadística descripttiva

Python integrada en el lenguaje por defecto que nos permite calcular los estadísticos vistos ya en OOo Basic en una entrada anterior. No es la única biblioteca que veremos, pero sí la primera, por su simplicidad y por no exigir una instalación previa. Me refiero a Stadistics.

De esta biblioteca ya hablamos en una entrada anterior, pero en términos muy generales. Corresponde aquí concretar su uso en la estadística descriptiva, concretamente en el cálculo de los estadísticos de tendencia central: moda, mediana y promedio.

Se trata de una breve presentación de sus funciones, a fin de ampliar la información aportada sobre la misma temática en OOo Basic. De ahí la brevedad y simplicidad de esta entrada, aunque no será la única sobre este tema en concreto.

import statistics as st

datos = (1,1,3,4,4,4,5,5,6,7,7,9)

moda = st.mode(datos)
mediana = st.median(datos)
promedio = st.mean(datos)

print("Colección de datos")
print (datos)

print("Medidas de tendencia central de los datos precedentes")
print("Moda " + str(moda))
print("Mediana " + str(mediana))
print("Promedio " + str(promedio))

En este sencillo script recojo las funciones Python con que cuenta stadistics que nos permite calcular los estadísticos moda, mediana y promedio.

En primer lugar cargamos en memoria la biblioteca import statistics as st, paso necesario para poder usar sus funciones. Seguidamente creamos el conjunto de datos numéricos sobre los que trabajar. En este caso se trata de una tupla datos = (1,1,3,4,4,4,5,5,6,7,7,9

A partir de este momento, siguiendo la sintaxis correspondiente, vamos aplicando las funciones de cálculo de los estadísticos (moda, mediana y promedio), asociamos estos cálculos a variables para facilitar su visualización posterior mediante la función print(), cosa que hacemos al final del script (vg. print("Moda " + str(moda)

Documento. Si este script te parece útil, puedes descargarlo desde este enlace.