统计学是一个涉及数据解析和推理的领域，分为描述统计学和推断统计学两大类。描述统计学借助数字和图表展示数据的集中与离散程度，如平均数、中位数、众数、方差、标准差等指标；而推断统计学则是通过样本数据对总体特征进行推断，如产品质检中的抽检制度就是以此为理论依据。
在科学计算中，常常需要计算数据的统计特征。NumPy和SciPy这样的工具包可以帮助我们实现这一目标。Matplotlib是绘制图表的得力助手，满足对图分析的需求。
与Python原生List类型不同，NumPy中的ndarray类型专为描述一组数据而设计。
首先考虑的是数据的中心位置。我们通过平均数、中位数和众数等来获取数据的一些基本情况。其中，平均数对于预测新数据十分有用，而中位数则为定量数据的中心度量。对于定量数据，我们使用NumPy计算均值和中位数。
对于定性数据来说，众数是出现次数最多的值，反映了一种常见的趋势或倾向。利用SciPy工具可以轻松计算众数。
了解数据的中心位置后，我们还需要关注数据的发散程度。极差、方差、标准差和变异系数等指标帮助我们描述这种发散性。这些指标各有特点，使用NumPy可以进行相关计算。
值得一提的是，在面对包含异常值的数据时，我们需要评估这些值的偏离程度。z-分数就是衡量这一偏离程度的工具，其计算同样可以使用NumPy。
当涉及到两组或多组数据时，我们关心它们之间的相关性。协方差和相关系数是衡量这种关系的工具。协方差的正负值表示正负相关，而相关系数则进行了无量纲处理，更便于比较。
在Python中，Matplotlib是不可或缺的绘图工具。
【例1】以CBA球员的体重为例。
（1）直方图的绘制
· 确定数据的范围并找出最大值与最小值。
· 整理数据并分组（确保每组都有数据），然后计算频数分布表。
· 根据频数分布表绘制频数直方图。以频数为纵坐标，分组类别为横坐标。此图可直观展示数据分布。
还可以绘制频率直方图，其中纵坐标为频率／组距。
图1展示了频数分布直方图。
（2）箱线图的绘制
· 下四分位数Q1和数据按升序排序后位于25%处的数据是同一概念。
· 上四分位数Q3和数据按升序排序后位于75%处的数据同样如此。
· 四分位距IQR是描述数据离散程度的统计量，计算方式为Q3减去Q1。
· 异常值是小于Q1－1.5IQR或大于Q3+1.5IQR的值以外的数据点。
· 下边缘和上边缘分别代表除异常点外的数据中的最小值和最大值。
图2展示了箱线图的绘制结果。