怎么用python计算每一列数据峰度、偏度、频数，并绘图

在Python中，可以使用`scipy`库中的统计函数来计算每列数据的峰度(kurtosis)、偏度(skewness)以及频数(frequency)，同时结合`matplotlib`或`seaborn`等绘图库绘制直方图来可视化频数分布。以下是基本步骤：

1. 首先，确保已经安装了所需的库，如果没有，可以用pip安装：

   pip install numpy scipy matplotlib seaborn pandas

2. 导入必要的库：

   import pandas as pd
   from scipy.stats import kurtosis, skew
   import matplotlib.pyplot as plt
   import seaborn as sns

3. 加载数据，这里假设你有一个名为df的数据框：

   df = pd.read_csv('your_data.csv')  # 替换为你的数据文件路径

4. 计算每列数据的峰度和偏度：

   df_stats = df.apply(lambda col: [col.name, kurtosis(col), skew(col)], axis=0)

这里我们使用`apply()`函数对每一列(`axis=0`)计算峰度和偏度，结果是一个包含列名、峰度值和偏度值的新DataFrame。

5. 绘制直方图并显示频数信息：

   for column in df.columns:
       data = df[column]
       plt.figure(figsize=(8, 6))
       sns.histplot(data, bins='auto', kde=True, color="skyblue")
       plt.title(f"{column} - Frequency and Distribution")
       plt.xlabel(column)
       plt.ylabel("Frequency")
       plt.text(0.7, 0.9, f"Mean: {data.mean()},\nKurtosis: {df_stats[df_stats['level_0'] == column]['level_1'].iloc[0]},\nSkewness: {df_stats[df_stats['level_0'] == column]['level_1'].iloc[1]}",
               transform=plt.gca().transAxes, fontsize=12,
               horizontalalignment='right')
       plt.show()

对于每一列，我们创建一个新的子图，画出该列的直方图，同时在图上显示平均值、峰度和偏度。