在Python中计算基础统计量，通常我们会用到NumPy库和Pandas库，这些库提供了丰富的方法来处理数组或数据集的基本统计分析。以下是一些基本统计量的计算方法：
NumPy 提供了对一维数组（向量）进行统计计算的函数：
- 平均值（Mean）：
numpy.mean(a) - 中位数（Median）：
numpy.median(a) - 标准差（Standard Deviation）：
numpy.std(a, ddof=0)（ddof参数用来指定自由度，默认为0） - 方差（Variance）：
numpy.var(a, ddof=0) - 最小值（Minimum）：
numpy.min(a) - 最大值（Maximum）：
numpy.max(a) - 总和（Sum）：
numpy.sum(a) - 众数（Mode）：不直接提供，但可以使用第三方库如
scipy.stats.mode(a)实现 - 四分位数（Quartiles）：
- 第一个四分位数（Q1/下四分位数）：
numpy.percentile(a, 25) - 第三个四分位数（Q3/上四分位数）：
numpy.percentile(a, 75) - 四分位范围（IQR）：
numpy.subtract(*numpy.percentile(a, [75, 25]))
- 第一个四分位数（Q1/下四分位数）：
- 平均值（Mean）：
Pandas 对于DataFrame和Series对象提供了更强大的统计功能：
- 描述性统计：一次性获取多个统计量，包括计数、平均值、标准差、最小值、四分位数等：
df['column_name'].describe() - 对于整个DataFrame：
df.describe(include='all')（包括数值型和类别型列）
- 描述性统计：一次性获取多个统计量，包括计数、平均值、标准差、最小值、四分位数等：
示例代码片段：
import numpy as np
import pandas as pd
# NumPy 示例
data = np.array([1, 2, 3, 4, 5])
mean_value = np.mean(data)
median_value = np.median(data)
std_dev = np.std(data)
# Pandas 示例
df = pd.DataFrame({
'A': data, 'B': [6, 7, 8, 9, 10]})
series_stats = df['A'].describe()
df_stats = df.describe()
此外，对于更复杂的数据分析，你还可以利用Pandas提供的分组统计（groupby）、数据透视表（pivot_table）等功能进行更深入的统计分析。
