# 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
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于python聚类分析、统计分析算法的实现源码+项目说明(课程实验作业).7z 【统计分析与机器学习课程实验作业】 statslibrary包含主成分分析,聚类分析等统计分析算法的实现。 需要使用某个算法模块,只需要包含对应模块文件夹下的对应头文件即可使用,各个模块的使用说明文档也请参见对应的文件夹下的readme文档。statslibrary中所实现的各个分析算法请参见如下的目录 1. Distance:距离计算模块,包含欧氏距离,马氏距离等距离计算方法 2. CorreCoef:相关系数与相关系数矩阵计算模块,包含pearman相关系数,spearman相关系数等相关系数计算方法 3. GeneralStats:一般分析统计量计算模块,包含平均数,中位数,众数,分位数,方差,标准差,极差,偏度,峰度等统计量计算方法 4. VarAnaly:方差分析模块,包含单因素方差分析和双因素方差分析 5. *LinearRegre:回归分析模块,包含一元和多元线性回归分析 6. PCA:主成分分析模块 7. Kmeans:K-Means, Kmeans聚类法模块 8. SCM (Ward-
资源推荐
资源详情
资源评论
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![thumb](https://img-home.csdnimg.cn/images/20210720083646.png)
![py](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
收起资源包目录
![package](https://csdnimg.cn/release/downloadcmsfe/public/img/package.f3fc750b.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PDF.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/PNG.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![folder](https://csdnimg.cn/release/downloadcmsfe/public/img/folder.005fa2e5.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
![file-type](https://csdnimg.cn/release/download/static_files/pc/images/minetype/UNKNOWN.png)
共 53 条
- 1
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
- wangjineryou2023-01-16资源内容详实,描述详尽,解决了我的问题,受益匪浅,学到了。
![avatar](https://profile-avatar.csdnimg.cn/9fb63100393143b2bf2ab5435959ddba_deeplearning_.jpg!1)
mDeepLearning4205
- 粉丝: 0
- 资源: 3690
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback](https://img-home.csdnimg.cn/images/20220527035711.png)
![feedback-tip](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)