简介随着互联网的普及,整个互联网每天都会产生海量的数据,如何有效地处理这些数据成为了互联网人的必备技能,而 Python 内置的 statistics 模块提供了基本的数据统计操作。 常用功能mean(data)mean(data) 用于求给定序列或者迭代器的算术平均数。 import statistics example_list = [1,2,3,4,5,6] x = statistics.mean(example_list) print(x)
# 输出结果 3.5 harmonic_mean(data)harmonic_mean(data) 用于计算数据的调和均值。 x = statistics.harmonic_mean(example_list) print(x) print(1/sum([1/1,1/2,1/3,1/4,1/5,1/6])*6)
# 输出结果 2.4489795918367347 2.448979591836735 median(data)median(data) 计算数据的中位数。如果有两个中位数,则返回其平均值。 x = statistics.median(example_list) print(x)
# 输出结果 3.5 median_low(data)median_low(data) 也是用于计算中位数的,如果有两个中位数,返回较小的那个。 x = statistics.median_low(example_list) print(x)
# 输出结果 3 median_high(data)median_high(data) 也是用于计算中位数的,如果有两个中位数,返回较大的那个。 x = statistics.median_high(example_list) print(x)
# 输出结果 4 mode(data)mode(data) 计算众数,也就是序列中出现次数最多的元素。 x = statistics.mode([1,1,2,3,4,3,3,3,3]) print(x)
x = statistics.mode(["a","b","c","d","d","a","a",]) print(x)
# 输出结果 3 a pstdev(data, mu=None)pstdev(data, mu=None) 用于计算数据的总体标准差。其中 mu 是序列的均值,如果你已经知道了该序列的均值,可传入该参数以减少计算量,当然该函数不会去验证你传入的均值是否合法,使用错误的均值可能会产生无效的结果。 x = statistics.pstdev([2,2,2,6]) print(x)
# 输出结果 1.7320508075688772 pvariance(data, mu=None)pvariance(data, mu=None) 用于计算数据的总体方差。 x = statistics.pvariance([2,2,2,6]) print(x)
# 输出结果 3 stdev(data, xbar=None)stdev(data, xbar=None) 用于计算数据的样本标准差。其中 xbar 是序列的均值,如果你已经知道了该序列的均值,可传入该参数以减少计算量,当然该函数不会去验证你传入的均值是否合法,使用错误的均值可能会产生无效的结果。 x = statistics.stdev([2,2,2,6]) print(x)
# 输出结果 2.0 variance(data, xbar=None)variance(data, xbar=None) 用于计算数据的样本方差。 x = statistics.variance([2,2,2,6]) print(x)
# 输出结果 4 statistics 总结本文总结了 statistics 模块的常规操作,对于数据分析还是非常有益处的。
参考资料 https://docs./zh-cn/3.7/library/statistics.html 系列文章 第24天:Python Standard Library 02 |
|