Mathematische Module in Python: Statistik

Pythons statistics Modul bietet leistungsstarke Datenstatistikanalysefunktionen, um uns dabei zu helfen, die Gesamtmerkmale von Daten wie Biostatistik und Geschäftsanalyse schnell zu verstehen. Anstatt Datenpunkte nacheinander zu betrachten, schauen Sie sich nur Statistiken wie Mittelwert oder Varianz an, um Trends und Merkmale in den ursprünglichen Daten zu ermitteln, die möglicherweise ignoriert werden, und vergleichen Sie große Datensätze einfacher und effektiv.

In diesem Tutorial wird erklärt, wie der Mittelwert berechnet und den Grad der Dispersion des Datensatzes gemessen wird. Sofern nicht anders angegeben, unterstützen alle Funktionen in diesem Modul die Berechnung des Durchschnittswerts unter Verwendung der mean() -Funktion, anstatt einfach den Durchschnitt zu summieren. Es können auch schwimmende Punktzahlen verwendet werden.

import random
import statistics
from fractions import Fraction as F

int_values = [random.randrange(100) for x in range(9)]
frac_values = [F(1, 2), F(1, 3), F(1, 4), F(1, 5), F(1, 6), F(1, 7), F(1, 8), F(1, 9)]

mix_values = [*int_values, *frac_values]

print(statistics.mean(mix_values))
# 929449/42840

print(statistics.fmean(mix_values))
# 21.69582166199813

Beginnend mit Python 3.8 können Sie die Funktionen geometric_mean(data, weights=None) und harmonic_mean(data, weights=None) verwenden, um den geometrischen Mittelwert und den harmonischen Mittelwert zu berechnen.

Der geometrische Mittelwert ist das Ergebnis der Aufteilung des Produkts aller N -Werte in den Daten auf die Wurzel der N -Leistung. Aufgrund von schwimmenden Punktfehlern können die Ergebnisse in einigen Fällen geringfügig voreingenommen sein. Eine Anwendung des geometrischen Mittelwerts besteht darin, schnell die jährliche Wachstumsrate der zusammengesetzten Berechnung zu berechnen. Zum Beispiel beträgt der vierjährige Umsatz eines Unternehmens 100, 120, 150 bzw. 200. Die Wachstumsraten in drei Jahren betrugen 20%, 25% bzw. 33,33%. Die durchschnittliche Umsatzwachstumsrate eines Unternehmens wird genauer als geometrischer Durchschnitt der Prozentsätze ausgedrückt. Das arithmetische Mittelwert ergibt immer eine falsche und etwas höhere Wachstumsrate.

import statistics

growth_rates = [20, 25, 33.33]

print(statistics.mean(growth_rates))
# 26.11

print(statistics.geometric_mean(growth_rates))
# 25.542796263143476

Der harmonische Mittel ist nur das gegenseitige Mittelwert des Datenmodus der Daten. Wenn die Daten null oder negative Zahlen enthalten, wird eine Ausnahme aus StatisticsError ausgelöst.

Der harmonische Durchschnitt wird verwendet, um den Durchschnitt der Verhältnisse und Raten wie die Berechnung der Durchschnittsgeschwindigkeit, der Dichte oder des parallelen Widerstands zu berechnen. Der folgende Code berechnet die Durchschnittsgeschwindigkeit, wenn jemand einen festen Abstand bewegt (hier ist 100 km).

import statistics

speeds = [30, 40, 60]
distance = 100

total_distance = len(speeds) * distance
total_time = 0

for speed in speeds:
    total_time += distance / speed

average_speed = total_distance / total_time

print(average_speed)
# 39.99999999999999

print(statistics.harmonic_mean(speeds))
# 40.0

Es ist zu beachten, dass die multimode() -Funktion in Python 3.8, wenn es mehrere Werte mit der gleichen Auftretensfrequenz gibt, mehrere Ergebnisse zurückgeben kann.

import statistics

favorite_pet = ['cat', 'dog', 'dog', 'mouse', 'cat', 'cat', 'turtle', 'dog']

print(statistics.multimode(favorite_pet))
# ['cat', 'dog']

Berechnen Sie den Median

Berechnen des Mittelwerts mit einem Modus kann irreführend sein. Wie bereits erwähnt, ist der Modus immer der häufigste Datenpunkt, unabhängig von anderen Werten im Datensatz. Eine andere Möglichkeit, die Mittelposition zu bestimmen, besteht darin, die Funktion pvariance(data, mu=None) zu verwenden, um die Populationsvarianz eines bestimmten Datensatzes zu berechnen.

Der zweite Parameter dieser Funktion ist optional. Wenn ein Wert von mu bereitgestellt wird, sollte er dem Mittelwert der angegebenen Daten gleich sein. Wenn dieser Wert fehlt, wird der Mittelwert automatisch berechnet. Diese Funktion ist nützlich, wenn Sie die Varianz der gesamten Bevölkerung berechnen möchten. Wenn Ihre Daten nur eine Stichprobe der Bevölkerung sind, können Sie die variance(data, xBar=None) -Funktion verwenden, um die Stichprobenvarianz zu berechnen, wobei xBar der Mittelwert einer bestimmten Stichprobe ist, die automatisch berechnet wird, wenn sie nicht angegeben sind.

Die Bevölkerungsstandardabweichung und die Stichprobenstandardabweichung können mithilfe der Funktionen pstdev(data, mu=None) bzw. stdev(data, xBar=None) berechnet werden.

import random
import statistics
from fractions import Fraction as F

int_values = [random.randrange(100) for x in range(9)]
frac_values = [F(1, 2), F(1, 3), F(1, 4), F(1, 5), F(1, 6), F(1, 7), F(1, 8), F(1, 9)]

mix_values = [*int_values, *frac_values]

print(statistics.mean(mix_values))
# 929449/42840

print(statistics.fmean(mix_values))
# 21.69582166199813

Wie aus dem obigen Beispiel ersichtlich ist, bedeutet eine geringere Varianz, dass mehr Datenpunkte näher am Wert des Mittelwerts liegen. Sie können auch die Standardabweichung von Dezimalstellen und Brüchen berechnen.

Zusammenfassung

Im letzten Tutorial dieser Serie haben wir die verschiedenen Funktionen im Modul statistics gelernt. Möglicherweise haben Sie festgestellt, dass die zur Funktion bereitgestellten Daten in den meisten Fällen sortiert sind, aber nicht sortiert werden müssen. In diesem Tutorial habe ich sortierte Listen verwendet, da sie das Verständnis der Beziehung zwischen den von verschiedenen Funktionen zurückgegebenen Werten und den Eingabedaten erleichtern.

Das obige ist der detaillierte Inhalt vonMathematische Module in Python: Statistik. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!