【数据分析之道-Numpy(八)】numpy统计函数

文章目录

• 专栏导读
• 1、np.mean()
• 2、np.median()
• 3、np.std()
• 4、np.var()
• 5、np.min()
• 6、np.max()
• 7、np.sum()
• 8、np.prod()
• 9、np.percentile()
• 10、np.any()
• 11、np.all()

专栏导读

✍ 作者简介：i阿极，CSDN python领域新星创作者，专注于分享python领域知识。

✍ 本文录入于《数据分析之道》，本专栏针对大学生、初级数据分析工程师精心打造，对Python基础知识点逐一击破，不断学习，提升自我。
✍ 订阅后，可以阅读《数据分析之道》中全部文章内容，包含Python基础语法、数据结构和文件操作，科学计算，实现文件内容操作，实现数据可视化等等。
✍ 其他专栏：《数据分析案例》 ，《机器学习案例》

😊😊😊如果觉得文章不错或能帮助到你学习，可以点赞👍收藏📁评论📒+关注哦！👍👍👍

📜📜📜如果有小伙伴需要数据集和学习交流，文章下方有交流学习区！一起学习进步！💪

1、np.mean()

np.mean()：计算数组的平均值。它将数组中所有元素相加，然后除以数组的长度，得到平均值。

import numpy as nparr = np.array([1, 2, 3, 4, 5])mean = np.mean(arr)print(mean) 

2、np.median()

np.median()：计算数组的中位数。它将数组按升序排序，然后找到中间位置的元素作为中位数，如果数组长度为偶数，则取中间两个数的平均值作为中位数。

arr = np.array([1, 2, 3, 4, 5])median = np.median(arr)print(median) 

3、np.std()

np.std()：计算数组的标准差。标准差衡量数据的离散程度，它衡量每个数据点相对于平均值的偏离程度。

arr = np.array([1, 2, 3, 4, 5])std = np.std(arr)print(std)  

4、np.var()

np.var()：计算数组的方差。方差衡量数据的离散程度，它是每个数据点与平均值的差的平方的平均值。

arr = np.array([1, 2, 3, 4, 5])var = np.var(arr)print(var)

5、np.min()

np.min()：找到数组的最小值。

arr = np.array([1, 2, 3, 4, 5])min_value = np.min(arr)print(min_value) 

6、np.max()

np.max()：找到数组的最大值。

arr = np.array([1, 2, 3, 4, 5])max_value = np.max(arr)print(max_value) 

7、np.sum()

np.sum()：计算数组元素的总和。

arr = np.array([1, 2, 3, 4, 5])sum_value = np.sum(arr)print(sum_value) 

8、np.prod()

np.prod()：计算数组元素的乘积。

arr = np.array([1, 2, 3, 4, 5])prod_value = np.prod(arr)print(prod_value) 

9、np.percentile()

np.percentile()：计算数组的分位数。分位数是指将数据按升序排序后，将数据划分为多个等分的数值点。例如，25%分位数表示将数据划分为四等分后，位于第一个四分位数位置的数值点。

arr = np.array([1, 2, 3, 4, 5])percentile = np.percentile(arr, 50)print(percentile) 

10、np.any()

np.any()：检查数组中是否有任意一个元素满足条件。如果数组中有至少一个元素满足条件，则返回True，否则返回False。

arr = np.array([1, 2, 3, 4, 5])any_value = np.any(arr > 3)print(any_value)  

11、np.all()

np.all()：检查数组中的所有元素是否都满足条件。如果数组中的所有元素都满足条件，则返回True，否则返回False。

arr = np.array([1, 2, 3, 4, 5])all_value = np.all(arr > 0)print(all_value)

📢文章下方有交流学习区！一起学习进步！💪💪💪
📢首发CSDN博客，创作不易，如果觉得文章不错，可以点赞👍收藏📁评论📒
📢你的支持和鼓励是我创作的动力❗❗❗

来源地址：https://blog.csdn.net/AOAIYI/article/details/130759047