waterConsump.csv为用户的用水量数据，数据中有编号为1-200的200位用户，DATE表示时间，如2017/1/1表示2017年1月1日，NUM为用量单位。请完成以下工作： 1、将数据进行透视表操作，行为用户编号，列为日期、值为用户每日用水量。 2、对数据中的异常数据进行识别并处理。 3、统计每个用户用水数据的基本统计量，包括：最大值、最小值、均值、中位数、和、方差、偏度、峰度。 4、每个用户用水数据按日差分，并求取差分结果的基本统计量，统计量同3。 5、求取每个用户的20%分位数。

1. 透视表操作：

import pandas as pd

# 读取数据
data = pd.read_csv('waterConsump.csv')

# 透视表操作
pivot_table = pd.pivot_table(data, values='NUM', index='编号', columns='DATE')

2. 异常数据识别并处理：

一般来说，异常数据可以通过箱线图来进行识别。首先，计算每个用户每天用水量的均值和标准差，然后根据 3 倍标准差原则，识别出超过 3 倍标准差的数据点为异常值。最后，将异常值替换为均值。

# 异常数据处理
for i in range(1, 201):
    # 计算均值和标准差
    mean = pivot_table.loc[i].mean()
    std = pivot_table.loc[i].std()
    # 识别异常数据
    outliers = (pivot_table.loc[i] - mean).abs() > 3 * std
    # 将异常数据替换为均值
    pivot_table.loc[i, outliers] = mean

3. 统计每个用户用水数据的基本统计量：

# 统计每个用户用水数据的基本统计量
basic_stats = pd.DataFrame({
    'max': pivot_table.max(axis=1),
    'min': pivot_table.min(axis=1),
    'mean': pivot_table.mean(axis=1),
    'median': pivot_table.median(axis=1),
    'sum': pivot_table.sum(axis=1),
    'var': pivot_table.var(axis=1),
    'skew': pivot_table.skew(axis=1),
    'kurtosis': pivot_table.kurtosis(axis=1)
})

4. 每个用户用水数据按日差分，并求取差分结果的基本统计量：

# 每个用户用水数据按日差分
diff_table = pivot_table.diff(axis=1)

# 统计每个用户用水数据的基本统计量
diff_stats = pd.DataFrame({
    'max': diff_table.max(axis=1),
    'min': diff_table.min(axis=1),
    'mean': diff_table.mean(axis=1),
    'median': diff_table.median(axis=1),
    'sum': diff_table.sum(axis=1),
    'var': diff_table.var(axis=1),
    'skew': diff_table.skew(axis=1),
    'kurtosis': diff_table.kurtosis(axis=1)
})

5. 求取每个用户的20%分位数：

# 求取每个用户的20%分位数
quantile_20 = pivot_table.quantile(0.2, axis=1)