基于python聚类分析、统计分析等算法的实现源码+项目说明(课程实验作业).7z

# GeneralStats一般统计量计算模块 GeneralStats一般统计量计算模块包含常见统计量的计算与求解方法，这些常见统计量包括：平均数，中位数，众数，分位数，极差，方差，标准差，偏度，峰度。 ## 1. 引用头文件"GeneralStats.py" import GeneralStats as gs ## 2. 创建GeneralStats对象 > 1. 创建GeneralStats对象不需要提供任何参数。 gen=gs.GeneralStats() ## 3. 计算样本的平均值 > 0. 函数原型 def average(self, data, rowvar=True) > 1. 使用average成员方法计算样本的平均值。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组成的矩阵。类型为np.array。 > 3. 第二个参数rowvar指定每一行或者每一列作为样本向量，类型为bool：rowvar=True指定每一列作为一个样本向量，即每一行代表一个变量；rowvar=False指定每一行作为一个样本向量，即每一列代表一个变量。 data=np.array([[1, 1, 2, 2, 3],[2, 2, 3, 3, 5],[1, 4, 3, 3, 3],[2, 4, 5, 5, 3]]) data1=np.array([1,2,3,4,5]) res=gen.average(data,rowvar=True) res1=gen.average(data1,rowvar=True) print("data平均值 = ",res) print("data1平均值 = ",res1) >>> 输出 data平均值 = [[1.8 3. 2.8 3.8]] data1平均值 = [3.] ## 4. 计算样本的中位值 > 0. 函数原型 def median(self, data, rowvar=True) > 1. 使用median成员方法计算样本的中位值。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组成的矩阵。类型为np.array。 > 3. 第二个参数rowvar指定每一行或者每一列作为样本向量，类型为bool：rowvar=True指定每一列作为一个样本向量，即每一行代表一个变量；rowvar=False指定每一行作为一个样本向量，即每一列代表一个变量。 data=np.array([[1, 1, 2, 2, 3],[2, 2, 3, 3, 5],[1, 4, 3, 3, 3],[2, 4, 5, 5, 3]]) data1=np.array([1,2,3,4,5]) res=gen.median(data,rowvar=True) res1=gen.median(data1,rowvar=True) print("data中位值 = ",res) print("data1中位值 = ",res1) >>> 输出 data中位值 = [[2. 3. 3. 4.]] data1中位值 = [3] ## 5. 计算样本的众数 > 0. 函数原型 def mode(self, data, rowvar=True) > 1. 使用mode成员方法计算样本的众数。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组成的矩阵。类型为np.array。 > 3. 第二个参数rowvar指定每一行或者每一列作为样本向量，类型为bool：rowvar=True指定每一列作为一个样本向量，即每一行代表一个变量；rowvar=False指定每一行作为一个样本向量，即每一列代表一个变量。 data=np.array([[1, 1, 2, 2, 3],[2, 2, 3, 3, 5],[1, 4, 3, 3, 3],[2, 4, 5, 5, 3]]) data1=np.array([1,2,3,4,5]) res=gen.mode(data,rowvar=True) res1=gen.mode(data1,rowvar=True) print("data众数值 = ",res) print("data1众数值 = ",res1) >>> 输出 data众数值 = [[1 2 3 5]] data1众数值 = [1] ## 6. 计算样本的分位数 > 0. 函数原型 def quantile(self, data, fraction, rowvar=True, interpolation='linear') > 1. 使用quantile成员方法计算样本的分位数。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组成的矩阵。类型为np.array。 > 3. 第二个参数fraction指定分位百分比，类型为float，fraction必须满足大于等于0且小于等于1。 > 4. 第三个参数rowvar指定每一行或者每一列作为样本向量，类型为bool：rowvar=True指定每一列作为一个样本向量，即每一行代表一个变量；rowvar=False指定每一行作为一个样本向量，即每一列代表一个变量。 > 5. 第四个参数指定当所需分位数位于两个数据点i<j之间时要使用的插值方法，类型为str，取值范围为{'linear', 'lower', 'higher', 'midpoint'}。若分位值fraction(0和1之间)计算得到的分位数下标不是整数，该下标两侧的数组元素分别为i和j，则: > + 'linear': i+fraction*(j-i) > + 'lower': i > + 'higher': j > + 'midpoint': (i+j)/2 > + 若使用该参数取值范围之外的其他值，均将默认使用'midpoint'模式进行分位数的求解 data=np.array([[1, 1, 2, 2, 3],[2, 2, 3, 3, 5],[1, 4, 3, 3, 3],[2, 4, 5, 5, 3]]) data1=np.array([1,2,3,4,5]) res=gen.quantile(data,0.5,rowvar=True,interpolation='lower') #若元素个数为偶数，则模式为'midpoint'的0.5分位数值等价于中位数 res1=gen.quantile(data1,0.5,rowvar=True,interpolation='lower') #若元素个数为奇数，则模式为'lower'的0.5分位数值等价于中位数 print("data 0.5分位数值 = ",res) print("data1 0.5分位数值 = ",res1) res=gen.quantile(data,0.25,rowvar=True,interpolation='lower') res1=gen.quantile(data1,0.25,rowvar=True,interpolation='lower') print("data 0.25分位数值s = ",res) print("data1 0.25分位数值 = ",res1) res=gen.quantile(data,0.75,rowvar=True,interpolation='lower') res1=gen.quantile(data1,0.75,rowvar=True,interpolation='lower') print("data 0.75分位数值 = ",res) print("data1 0.75分位数值 = ",res1) res=gen.quantile(data,1.0,rowvar=True,interpolation='lower') res1=gen.quantile(data1,1.0,rowvar=True,interpolation='lower') print("data 1.0分位数值 = ",res) print("data1 1.0分位数值 = ",res1) >>> 输出 data 0.5分位数值 = [[2. 3. 3. 4.]] data1 0.5分位数值 = [3] data 0.25分位数值s = [[1. 2. 3. 3.]] data1 0.25分位数值 = [2] data 0.75分位数值 = [[2. 3. 3. 5.]] data1 0.75分位数值 = [4] data 1.0分位数值 = [[3. 5. 4. 5.]] data1 1.0分位数值 = [5] ## 7. 计算样本的极差 > 0. 函数原型 def range(self, data, rowvar=True) > 1. 使用range成员方法计算样本的极差。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组成的矩阵。类型为np.array。 > 3. 第二个参数rowvar指定每一行或者每一列作为样本向量，类型为bool：rowvar=True指定每一列作为一个样本向量，即每一行代表一个变量；rowvar=False指定每一行作为一个样本向量，即每一列代表一个变量。 data=np.array([[1, 1, 2, 2, 3],[2, 2, 3, 3, 5],[1, 4, 3, 3, 3],[2, 4, 5, 5, 3]]) data1=np.array([1,2,3,4,5]) res=gen.range(data,rowvar=True) res1=gen.range(data1,rowvar=True) print("data极差 = ",res) print("data1极差 = ",res1) >>> 输出 data极差 = [[2. 3. 3. 3.]] data1极差 = [4] ## 8. 计算样本的方差 > 0. 函数原型 def variance(self, data, rowvar=True) > 1. 使用variance成员方法计算样本的方差。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组成的矩阵。类型为np.array。 > 3. 第二个参数rowvar指定每一行或者每一列作为样本向量，类型为bool：rowvar=True指定每一列作为一个样本向量，即每一行代表一个变量；rowvar=False指定每一行作为一个样本向量，即每一列代表一个变量。 data=np.array([[1, 1, 2, 2, 3],[2, 2, 3, 3, 5],[1, 4, 3, 3, 3],[2, 4, 5, 5, 3]]) data1=np.array([1,2,3,4,5]) res=gen.variance(data,rowvar=True) res1=gen.variance(data1,rowvar=True) print("data方差 = ",res) print("data1方差 = ",res1) >>> 输出 data方差 = [[0.56 1.2 0.96 1.36]] data1方差 = [2.] ## 9. 计算样本的标准差 > 0. 函数原型 def standard_dev(self, data, rowvar=True) > 1. 使用standard_dev成员方法计算样本的标准差。 > 2. 第一个参数data为由各个变量取值，或者由各个样本向量组