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,
statistics
## 常用功能
### mean(data)
mean(data)
mean(data) 用于求给定序列或者迭代器的算术平均数。 1import statistics 2example_list = [1,2,3,4,5,6] 3x = statistics.mean(example_list) 4 print(x) 5 6 # 输出结果 7 3.5
import statistics
example_list = [1,2,3,4,5,6]
x = statistics.mean(example_list)
print(x)
3.5
### harmonic_mean(data)
harmonic_mean(data)
harmonic_mean(data) 用于计算数据的调和均值。
1 `x = statistics.harmonic_mean(example_list)` 2 print(x) 3 print(1/sum([1/1,1/2,1/3,1/4,1/5,1/6])*6) 4 5 # 输出结果 6 2.4489795918367347 7 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。
1 x = statistics.median(example_list) 2print(x) 3 4 # 输出结果 5 3.5
1 x = statistics.median(example_list)
###median_low(data)
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。
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。
### mode(data)
mode(data)
mode(data) 计算众数,也就是序列中出现次数最多的元素。
1 x = statistics.mode([1,1,2,3,4,3,3,3,3]) 2 print(x) 3 4 x = statistics.mode(["a","b","c","d","d","a","a",]) 5 print(x) 6 7 # 输出结果 8 3 9 a
1 x = statistics.mode([1,1,2,3,4,3,3,3,3])
x = statistics.mode(["a","b","c","d","d","a","a",])
### pstdev(data, mu=None)
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,
1 x = statistics.pstdev([2,2,2,6]) 2 print(x) 3 4 # 输出结果 5 1.7320508075688772
1 x = statistics.pstdev([2,2,2,6])
1.7320508075688772
### pvariance(data, mu=None)
pvariance(data, mu=None) 用于计算数据的总体方差。
1 x = statistics.pvariance([2,2,2,6]) 2 print(x) 3 4 # 输出结果 5 3
1 x = statistics.pvariance([2,2,2,6])
3
### stdev(data, xbar=None)
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。
variance(data, xbar=None)
variance(data, xbar=None) 用于计算数据的样本方差。
原文链接:https://www.cnblogs.com/qjj19931230/p/12386247.html