### Python 实现统计学方法代码示例 #### 使用 Pandas 处理定性和定量数据 对于数据分析而言，Pandas 是一个非常强大的工具。当面对定性数据时，比如颜色这样的类别变量，`value_counts()` 方法能够有效地统计每一类别的频次[^1]。 ```python import pandas as pd # 创建一个简单的DataFrame用于展示 data = {'color': ['red', 'blue', 'green', 'red', 'blue']} df = pd.DataFrame(data) # 对定性数据'color'列应用value_counts() colors_frequency = df['color'].value_counts() print(colors_frequency) ``` 针对定量数据，例如商品的价格，可以利用 `mean()` 函数轻松求得数值型特征的均值。 ```python price_data = {'prices': [29.99, 45.00, 18.75]} price_df = pd.DataFrame(price_data) average_price = price_df['prices'].mean() print(f"The average price is {average_price}") ``` 上述例子展示了如何运用 Pandas 来执行基本的数据探索操作，这对于初步理解数据集至关重要。 #### XGBoost 算法的应用实例 除了基础的数据分析外，在机器学习领域内也有许多重要的统计技术被广泛应用。XGBoost 就是一个高效的梯度提升框架，它支持并行计算，并且提供了多种内置功能来优化模型性能[^2]。 下面是一段关于怎样构建和评估基于 XGBoost 的二元分类器的例子： ```python from sklearn.model_selection import train_test_split import xgboost as xgb from sklearn.metrics import accuracy_score # 假设已有预处理过的特征矩阵X以及标签向量y X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) model = xgb.XGBClassifier(use_label_encoder=False, eval_metric='logloss') model.fit(X_train, y_train) predictions = model.predict(X_test) accuracy = accuracy_score(y_test, predictions) print(f"Model Accuracy: {accuracy * 100:.2f}%") ``` 这段代码片段说明了从分割数据到训练模型再到最终测试的过程，其中包含了必要的导入语句以便读者可以直接运行此脚本。