[中字] Python 统计学实战课程（中文字幕英文视频教程

） 课程模块与核心内容 （一）数据与编程环境入门 作为课程的开篇模块，本部分旨在帮助学习者搭建完整的数据分析工作环境，开启统计学学习之旅。内容涵盖课程整体介绍与学习规划，明确各阶段学习重点与目标，让学习者对课程有清晰认知。同时，深入解读数据科学与统计学的核心概念，阐述二者在实际应用中的关联与价值，为后续学习建立理论认知框架。 在工具应用层面，课程详细讲解 Python 库（Anaconda 与 Streamlit）的安装、配置与使用方法。Anaconda 作为数据科学领域常用的包管理与环境管理工具，能帮助学习者快速搭建稳定的 Python 运行环境；Streamlit 则可助力快速开发交互式数据应用，提升数据分析结果的展示效果。此外，通过实战案例演示如何在 Python 脚本中导入与读取 CSV 格式数据，配套提供 EXCERCISE001.csv 数据文件与 Exx001.py 示例代码，让学习者边学边练，快速掌握数据读取的基础操作。 （二）协方差：从理论到实践 协方差是衡量两个变量之间线性关系强度与方向的重要统计量，本模块围绕协方差展开深入讲解，实现理论知识与实践操作的无缝衔接。在理论部分，课程通过生动的讲解与直观的图表，清晰阐述协方差的定义、计算公式与统计意义，帮助学习者理解协方差值正负所代表的变量关系方向，以及数值大小所反映的关系强度。 实践环节聚焦 Python 实现协方差计算，课程提供完整的代码演示与详细讲解，指导学习者运用 Python 处理实际数据，完成协方差的计算与分析。同时，配套提供 CovariancePAge.html、CovariancePAge.pdf 等学习资料，包含理论推导过程与案例解析，方便学习者课后复习与巩固，加深对协方差知识的理解与应用能力。 （三）正态分布 正态分布是统计学中最常见且重要的概率分布之一，广泛应用于自然科学、社会科学等多个领域。本模块从正态分布的基本概念入手，讲解其定义、概率密度函数、图形特征（如对称钟形曲线、均值与标准差对分布的影响）等核心内容，帮助学习者理解正态分布的本质与适用场景。 为强化学习效果，课程设置正态分布实战练习环节，通过 Python 实现正态分布的模拟、概率计算与可视化展示。学习者将在实践中掌握如何利用 Python 生成符合正态分布的随机数据，计算特定区间的概率值，并通过绘制概率密度曲线、累积分布曲线等图表，直观呈现正态分布的特征。配套的 Normal_.pdf 资料包含丰富的理论知识点与案例分析，进一步辅助学习者消化吸收课程内容。 （四）相关性与回归数据分析 本模块是课程的核心内容之一，系统讲解相关性分析与回归分析的理论知识与 Python 实战方法，助力学习者掌握数据间关系分析与预测建模的关键技能。 在相关性分析部分，课程详细介绍 Pearson 相关系数、Spearman 等级相关系数的原理、适用条件与计算方法。Pearson 相关系数适用于衡量线性相关关系，而 Spearman 相关系数则适用于非线性或有序分类数据的相关分析。通过 Python 实战案例，学习者将掌握如何计算两种相关系数，并通过假设检验判断相关性的显著性，同时利用可视化工具（如散点图）展示变量间的相关关系。 回归分析部分涵盖简单线性回归、多元线性回归与逻辑回归三大核心内容。简单线性回归模块讲解如何建立单个自变量与因变量之间的线性回归模型，包括模型参数估计（最小二乘法）、模型检验（如 R²、F 检验、t 检验）等知识点，并通过 Python 实现模型构建、预测与结果可视化。多元线性回归模块则扩展至多个自变量场景，讲解多重共线性等问题的识别与处理方法，帮助学习者构建更贴合实际数据的回归模型。逻辑回归模块聚焦二分类问题，介绍其原理、损失函数（如对数损失）与模型训练方法，指导学习者运用 Python 实现逻辑回归模型，解决如疾病预测、客户流失判断等实际业务问题。 此外，本模块配套提供丰富的学习资料，包括 LinearRegression.pdf、SimpleLinearRegression.pdf 等理论文档，以及 StreamLitApplication.py、Linear_REgression_ScratchCode.py 等代码文件，方便学习者深入学习与实践操作。 （五）概率与概率分布 概率是统计学的基础，本模块从概率基本概念入手，逐步深入讲解概率分布知识，帮助学习者建立概率思维，为后续统计分析奠定基础。 概率基本概念部分涵盖事件、样本空间、条件概率等核心内容。课程通过生活中的实际案例，如掷骰子、抽奖等，生动解释事件的定义（如随机事件、必然事件、不可能事件）、样本空间的构成，以及条件概率的计算方法（如贝叶斯公式的简单应用），让抽象的概率概念变得通俗易懂。 随机变量部分讲解离散型随机变量与连续型随机变量的定义、概率分布函数等知识，帮助学习者理解随机变量如何描述随机现象。常见概率分布部分详细介绍伯努利分布、二项分布、泊松分布、正态分布、t 分布等多种重要分布的原理、适用场景与概率计算方法，通过对比分析各分布的特征，让学习者明确不同分布的应用边界。 中心极限定理是统计学中的重要定理，本模块通过理论讲解与案例演示，阐述中心极限定理的核心思想（如大量独立随机变量的和近似服从正态分布）及其在实际应用中的价值，如样本均值估计总体均值等。配套的 Infograpfic CentralThoery.pdf 资料以图文结合的形式呈现中心极限定理的关键内容，便于学习者理解与记忆。 （六）假设检验基础 假设检验是统计学中用于判断样本数据是否支持关于总体的某种假设的重要方法，广泛应用于科学研究与业务决策中。本模块系统讲解假设检验的基本概念与核心流程，帮助学习者掌握假设检验的思想与方法。 课程首先介绍假设检验的基本原理，包括如何根据研究问题提出原假设（H₀）与备择假设（H₁），如何确定显著性水平（α），以及如何通过计算检验统计量、确定 P 值等步骤做出是否拒绝原假设的决策。同时，详细讲解假设检验中的两类错误（第一类错误：弃真错误；第二类错误：取伪错误）及其关系，帮助学习者在实际应用中合理控制错误概率。 原假设与备择假设的设定是假设检验的关键步骤，课程通过多个实际案例，如产品质量检验、药效验证等，指导学习者根据研究目的正确设定假设，避免因假设设定不当导致分析结果偏差。通过本模块学习，学习者将具备运用假设检验解决实际问题的初步能力，为后续更复杂的统计分析打下基础。 （七）描述统计 描述统计是通过图表或数值方法概括数据特征的统计方法，是数据分析的基础环节。本模块全面讲解描述统计的核心内容，帮助学习者掌握数据探索与特征总结的技能。 数据类型部分详细介绍定性数据（如性别、职业）与定量数据（如身高、体重）的区别，以及 nominal（名义）、ordinal（有序）、interval（区间）、ratio（比率）四种数据尺度的特征与适用场景，让学习者在数据分析初期能够正确识别数据类型，选择合适的分析方法。 集中趋势度量部分讲解均值、中位数、众数的计算方法与适用条件。均值反映数据的平均水平，但易受极端值影响；中位数不受极端值影响，更适合偏态分布数据；众数则适用于描述数据中出现频率最高的数值。课程通过实例对比三种度量指标的差异，指导学习者根据数据特征选择合适的集中趋势度量方法。 离散程度度量部分涵盖极差、方差、标准差、四分位距（IQR）等指标。极差反映数据的波动范围；方差与标准差衡量数据偏离均值的程度；四分位距则通过四分位数（Q1、Q2、Q3）反映数据中间 50% 部分的离散程度，不受极端值影响。课程通过 Python 实战演示各指标的计算与解读，帮助学习者理解数据的离散特征。 分布形态部分讲解偏度（skewness）与峰度（kurtosis）的概念。偏度描述数据分布的不对称程度，分为左偏、右偏与对称分布；峰度描述数据分布的陡峭程度，分为尖峰、平峰与正态峰分布。通过 Python 计算与可视化，学习者可直观判断数据分布形态，为后续统计分析提供依据。 数据可视化部分聚焦 Python 实现常用图表绘制，包括直方图（展示数据分布）、箱线图（识别异常值与数据离散程度）、条形图（比较不同类别数据）、散点图（展示变量间关系）等。课程提供详细的代码讲解与实战案例，指导学习者运用 Python 绘图库（如 matplotlib、seaborn）制作专业、直观的数据可视化图表，提升数据分析结果的呈现效果。配套的 DataVisualization__.pdf 资料包含丰富的图表制作技巧与案例，辅助学习者深入学习。 （八）组间比较 组间比较是统计学中用于分析不同组别数据差异的重要方法，本模块讲解多种常用的组间比较方法，帮助学习者解决实际研究与业务中的组别差异分析问题。 独立样本 t 检验部分适用于比较两个独立组别（如男性与女性、实验组与对照组）的均值差异。课程讲解独立样本 t 检验的前提条件（如正态分布、方差齐性）、检验统计量计算方法，以及通过 Python 实现检验过程与结果解读。配套的 IndipendentTest.pdf 与 IndipendtentTest.py 资料提供理论支持与代码示例，助力学习者实践操作。 配对样本 t 检验部分适用于比较相关组别（如同一组对象在处理前后的指标差异）的均值差异。课程通过实例讲解配对样本 t 检验的原理与适用场景，指导学习者运用 Python 完成数据预处理、检验计算与结果分析，配套的 PairedTest.pdf 资料包含详细的理论解析与案例，帮助学习者理解与应用。 方差分析（ANOVA）部分涵盖单因素方差分析（One-way ANOVA）与双因素方差分析（Two-way ANOVA）。单因素方差分析用于比较三个及以上独立组别均值差异；双因素方差分析则考虑两个因素对因变量的影响，以及因素间的交互作用。课程讲解方差分析的原理、假设条件（如正态分布、方差齐性、独立性）、检验统计量（F 统计量）计算，以及通过 Python 实现方差分析与结果解读。配套的 Anova_Test.pdf 与 Anova_Test_app2.py 资料提供丰富的理论与实践资源。 非参数检验部分介绍 Mann-Whitney U 检验、Wilcoxon 符号秩检验、Kruskal-Wallis 检验等方法，适用于不满足参数检验前提条件（如非正态分布、方差不齐）的数据。课程讲解各非参数检验的适用场景与原理，通过 Python 实战演示检验过程，帮助学习者掌握在数据不符合参数检验条件时的组间比较方法。配套的 NonParameticTEst.pdf 与 Manning_Whytnnei_Test.py 资料辅助学习者深入理解与实践。 （九）分类数据分析 分类数据是实际应用中常见的数据类型，本模块聚焦分类数据的统计分析方法，帮助学习者掌握分类数据的处理与分析技能。 分类数据分析基础部分介绍分类数据的特点与常见分析场景，如用户性别与购买偏好的关系、产品类型与满意度的关联等，通过实例让学习者明确分类数据分析的目标与价值。卡方检验是分类数据分析的核心方法，本模块详细讲解卡方独立性检验与卡方拟合优度检验。 卡方独立性检验用于判断两个分类变量是否相互独立，如 “性别” 与 “是否购买某产品” 是否存在关联。课程讲解检验原理、检验统计量计算、自由度确定，以及通过 Python 实现检验过程与结果解读，帮助学习者判断分类变量间的关联程度。卡方拟合优度检验用于判断样本数据的分布是否符合某种理论分布（如均匀分布、正态分布），课程通过实例演示检验步骤，指导学习者运用 Python 完成数据拟合与检验分析。