图片来源:《星空列车与白的旅行》CG及二创
511 字
1 分钟
笔记|数据分析学习笔记09|统计函数
本系列所有文章都放在
数据科学标签,总目录如下:
9.1 统计函数概述
下表列出了本节涉及的统计函数:
| 函数 | 功能 |
|---|---|
np.sum(x) | 求和 |
np.mean(x) | 平均值 |
np.median(x) | 中位数 |
np.std(x) | 标准差 |
np.var(x) | 方差 |
np.min(x) / np.max(x) | 最小值 / 最大值 |
np.argmin(x) / np.argmax(x) | 最小值 / 最大值的索引 |
np.percentile(x, q) | 计算第 q 百分位数 |
np.cumsum(x) | 累积和 |
np.cumprod(x) | 累积积 |
9.2 求和
np.sum() 计算数组中所有元素的总和:
import numpy as np
# 基本求和print(np.sum([1, 2, 3]))
# 对数组求和arr = np.array([15, 5, 12, 9, 7, 16, 19, 15])print(np.sum(arr))输出:
6989.3 平均值
np.mean() 计算数组元素的算术平均值:
print(np.mean([1, 2, 3]))
arr = np.array([15, 5, 12, 9, 7, 16, 19, 15])print(np.mean(arr))输出:
2.012.259.4 中位数
np.median() 计算数组元素的中位数(排序后位于中间位置的值):
print(np.median([1, 2, 4, 8]))
arr = np.array([15, 5, 12, 9, 7, 16, 19, 15])print(np.median(arr))输出:
3.013.59.5 方差与标准差
方差(np.var())衡量数据的离散程度,标准差(np.std())是方差的算术平方根。
print(np.var([1, 2, 3])) # 方差print(np.std([1, 2, 3])) # 标准差输出:
0.66666666666666660.816496580927726均值相同但方差不同的对比:
arr1 = np.array([1, 2, 1, 2, 1, 1, 1, 2])arr2 = np.array([1, 0, 3, 0, 0, 0, 4, 3])
print(np.mean(arr1)) # 平均值相同print(np.mean(arr2))print(np.var(arr1)) # 方差不同print(np.var(arr2))输出:
1.3751.3750.2343752.484375两个数组的平均值相同(1.375),但 arr2 的方差远大于 arr1,说明 arr2 的数据分布更加分散。
9.6 最大值与最小值
np.max() / np.min() 返回最值,np.argmax() / np.argmin() 返回最值的索引位置:
arr = np.array([15, 5, 12, 9, 7, 16, 19, 15])print(arr)print(np.max(arr), np.argmax(arr)) # 最大值及其索引print(np.min(arr), np.argmin(arr)) # 最小值及其索引输出:
[15 5 12 9 7 16 19 15]19 65 1- 最大值为 19,位于索引 6。
- 最小值为 5,位于索引 1。
9.7 分位数
np.percentile(x, q) 计算数组的第 q 百分位数,np.median() 本质上等价于 np.percentile(x, 50)。
np.random.seed(0)arr = np.random.randint(0, 100, 4)print(arr)
print(np.median(arr)) # 中位数(第50百分位数)print(np.percentile(arr, 25)) # 第25百分位数输出:
[44 47 64 67]55.546.25第25百分位数的计算过程:
排序后: 44 47 64 67位置 = 0.25 × 3 = 0.75结果 = (47 - 44) × 0.75 + 44 = 46.259.8 累积和与累积积
np.cumsum() 计算累积和,np.cumprod() 计算累积积:
arr = np.array([1, 2, 3])
print(np.sum(arr)) # 总和print(np.cumsum(arr)) # 累积和print(np.cumprod(arr)) # 累积积输出:
6[1 3 6][1 2 6]- 累积和:
[1, 1+2, 1+2+3]=[1, 3, 6] - 累积积:
[1, 1×2, 1×2×3]=[1, 2, 6]
9.9 本节小结
本节完成了以下内容:
- 掌握了
np.sum()、np.mean()、np.median()等集中趋势统计函数。 - 掌握了
np.var()、np.std()等离散程度统计函数。 - 掌握了
np.max()/np.min()及np.argmax()/np.argmin()最值查找。 - 掌握了
np.percentile()分位数计算及其原理。 - 掌握了
np.cumsum()和np.cumprod()累积运算。
分享
如果这篇文章对你有帮助,欢迎分享给更多人!
笔记|数据分析学习笔记09|统计函数
https://luq-blog.xyz/posts/2026-07-01-data-notes-09-statistics/ 部分信息可能已经过时
相关文章 智能推荐
1
笔记|数据分析学习笔记11|排序函数
理工研习 本节介绍 NumPy 中的排序函数,包括数组排序、索引排序、去重与成员检测,掌握数据整理的核心方法。
2
笔记|数据分析学习笔记10|比较函数
理工研习 本节介绍 NumPy 中的比较函数,包括逐元素比较、逻辑运算、条件筛选与多条件赋值,掌握数据筛选的核心技巧。
3
笔记|数据分析学习笔记08|基本数学函数
理工研习 学习NumPy中的基本数学函数,包括平方根、指数、对数、三角函数、绝对值、幂运算、取整和缺失值检测。
4
笔记|数据分析学习笔记06|索引与切片
理工研习 学习NumPy中ndarray的索引与切片操作,包括基本索引、连续切片、布尔索引及二维数组的访问方式。
5
笔记|数据分析学习笔记05|ndarray的数据类型
理工研习 学习NumPy中ndarray支持的数据类型,包括布尔、整数、浮点数和复数类型。
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)
.webp)