python 计算均值、方差、标准差 Numpy，Pandas

Python 中的 numpy 包 和 pandas 包都能够计算均值、方差等，本文总结一下它们的用法。

#1. Numpy 计算均值、方差、标准差

一般的均值可以用 numpy 中的 mean 方法求得：

	>>> import numpy as np
	>>> a = [5, 6, 16, 9]
	>>> np.mean(a)
	9.0
	 

numpy 中的 average 方法不仅能求得简单平均数，也可以求出加权平均数。average 里面可以跟一个 weights 参数，里面是一个权数的数组，例如：

	>>> np.average(a)
	>>> 9.0
	>>> np.average(a, weights = [1, 2, 1, 1])
	>>> 8.4
	 

计算方差时，可以利用 numpy 中的 var 函数，默认是总体方差（计算时除以样本数 N），若需要得到样本方差（计算时除以 N - 1），需要跟参数 ddo f= 1，例如

	>>> import pnumpy as np
	>>> a = [5, 6, 16, 9]
	>>> np.var(a) # 计算总体方差
	18.5
	 
	>>> np.var(a, ddof = 1) # 计算样本方差
	24.666666666666668
	 
	>>> b = [[4, 5], [6, 7]]
	>>> b
	[[4, 5], [6, 7]]
	 
	>>> np.var(b) # 计算矩阵所有元素的方差
	1.25
	 
	>>> np.var(b, axis = 0) # 计算矩阵每一列的方差
	array([1., 1.])
	 
	>>> np.var(b, axis = 1) # 计算矩阵每一行的方差
	array([0.25, 0.25])
	 

计算标准差时，可以利用 numpy 中的 std 函数，使用方法与 var 函数很像，默认是总体标准差，若需要得到样本标准差，需要跟参数 ddof =1，

	>>> import pnumpy as np
	>>> a = [5, 6, 16, 9]
	>>> np.std(a) # 计算总体标准差
	4.301162633521313
	 
	>>> np.std(a, ddof = 1 ) # 计算样本标准差
	4.96655480858378
	 
	>>> np.std(b) # 计算矩阵所有元素的标准差
	1.118033988749895
	 
	>>> np.std(b, axis = 0) # 计算矩阵每一列的标准差
	array([1., 1.])
	 
	>>> np.std(b, axis = 1) # 计算矩阵每一列的标准差
	array([0.5, 0.5])
	 

#2. Pandas 计算均值、方差、标准差

对于 pandas ，也可以用里面的 mean 函数可以求得所有行或所有列的平均数，例如：

	>>> import pandas as pd
	>>> df = pd.DataFrame(np.array([[85, 68, 90], [82, 63, 88], [84, 90, 78]]), columns=['统计学', '高数', '英语'], index=['张三', '李四', '王五'])
	>>> df
	    统计学  高数  英语
	张三   85  68  90
	李四   82  63  88
	王五   84  90  78
	 
	>>> df.mean() # 显示每一列的平均数
	 
	统计学    83.666667
	高数     73.666667
	英语     85.333333
	dtype: float64
	 
	>>> df.mean(axis = 1) # 显示每一行的平均数
	张三    81.000000
	李四    77.666667
	王五    84.000000
	dtype: float64
	 

若要得到某一行或某一列的平均值，则可以使用 iloc 选取改行或该列数据，后面跟 mean 函数就能得到，例如：

	>>> df
	    统计学  高数  英语
	张三   85  68  90
	李四   82  63  88
	王五   84  90  78
	 
	>>> df.iloc[0, :].mean()  # 得到第 1 行的平均值
	81.0
	 
	>>> df.iloc[:, 2].mean() # 得到第 3 列的平均值
	85.33333333333333
	 

pandas 中的 var 函数可以得到样本方差（注意不是总体方差），std 函数可以得到样本标准差，若要得到某一行或某一列的方差，则也可用 iloc 选取某行或某列，后面再跟 var 函数或 std 函数即可，例如：

	>>> df.var() # 显示每一列的方差
	统计学      2.333333
	高数     206.333333
	英语      41.333333
	dtype: float64
	 
	>>> df.var(axis = 1) # 显示每一行的方差
	张三    133.000000
	李四    170.333333
	王五     36.000000
	dtype: float64
	 
	>>> df.std() # 显示每一列的标准差
	统计学     1.527525
	高数     14.364308
	英语      6.429101
	dtype: float64
	 
	>>> df.std(axis = 1) # 显示每一行的标准差
	张三    11.532563
	李四    13.051181
	王五     6.000000
	dtype: float64
	 
	>>> df.iloc[0, :].std() # 显示第 1 行的标准差
	11.532562594670797
	 
	>>> df.iloc[:, 2].std() # 显示第 3 列的标准差
	6.429100507328636

题外话

在此疾速成长的科技元年，编程就像是许多人通往无限可能世界的门票。而在编程语言的明星阵容中，Python就像是那位独领风 骚的超级巨星， 以其简洁易懂的语法和强大的功能，脱颖而出，成为全球最炙手可热的编程语言之一。

Python 的迅速崛起对整个行业来说都是极其有利的 ，但“人红是非多”，导致它平添了许许多多的批评，不过依旧挡不住它火爆的发展势头。

如果你对Python感兴趣，想要学习pyhton，这里给大家分享一份Python全套学习资料，都是我自己学习时整理的，希望可以帮到你，一起加油！

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉CSDN大礼包🎁：全网最全《Python学习资料》免费分享（安全链接，放心点击）👈

​

1️⃣零基础入门

① 学习路线

对于从来没有接触过Python的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

② 路线对应学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~

③练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！

2️⃣国内外Python书籍、文档

① 文档和书籍资料

3️⃣Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！

②Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！

③Python小游戏源码

如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！

4️⃣Python面试题

我们学会了Python之后，有了技能就可以出去找工作啦！下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

5️⃣Python兼职渠道

而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。

上述所有资料 ⚡️ ，朋友们如果有需要的，可以扫描下方👇👇👇二维码免费领取🆓

​