NumPy - Fonctions statistiques

NumPy a quelques fonctions statistiques utiles pour trouver l'écart-type et la variance minimum, maximum, percentile, etc. à partir des éléments donnés dans le tableau. Les fonctions sont expliquées comme suit -

numpy.amin () et numpy.amax ()

Ces fonctions renvoient le minimum et le maximum à partir des éléments du tableau donné le long de l'axe spécifié.

Exemple

import numpy as np 
a = np.array([[3,7,5],[8,4,3],[2,4,9]]) 

print 'Our array is:' 
print a  
print '\n'  

print 'Applying amin() function:' 
print np.amin(a,1) 
print '\n'  

print 'Applying amin() function again:' 
print np.amin(a,0) 
print '\n'  

print 'Applying amax() function:' 
print np.amax(a) 
print '\n'  

print 'Applying amax() function again:' 
print np.amax(a, axis = 0)

Il produira la sortie suivante -

Our array is:
[[3 7 5]
[8 4 3]
[2 4 9]]

Applying amin() function:
[3 3 2]

Applying amin() function again:
[2 4 3]

Applying amax() function:
9

Applying amax() function again:
[8 7 9]

numpy.ptp ()

le numpy.ptp() La fonction renvoie la plage (maximum-minimum) de valeurs le long d'un axe.

import numpy as np 
a = np.array([[3,7,5],[8,4,3],[2,4,9]]) 

print 'Our array is:' 
print a 
print '\n'  

print 'Applying ptp() function:' 
print np.ptp(a) 
print '\n'  

print 'Applying ptp() function along axis 1:' 
print np.ptp(a, axis = 1) 
print '\n'   

print 'Applying ptp() function along axis 0:'
print np.ptp(a, axis = 0)

Il produira la sortie suivante -

Our array is:
[[3 7 5]
[8 4 3]
[2 4 9]]

Applying ptp() function:
7

Applying ptp() function along axis 1:
[4 5 7]

Applying ptp() function along axis 0:
[6 3 6]

numpy.percentile ()

Le centile (ou centile) est une mesure utilisée dans les statistiques indiquant la valeur en dessous de laquelle tombe un pourcentage donné d'observations dans un groupe d'observations. La fonctionnumpy.percentile() prend les arguments suivants.

numpy.percentile(a, q, axis)

Où,

N ° Sr.	Argument et description
1	a Tableau d'entrée
2	q Le centile à calculer doit être compris entre 0 et 100
3	axis L'axe le long duquel le centile doit être calculé

Exemple

import numpy as np 
a = np.array([[30,40,70],[80,20,10],[50,90,60]]) 

print 'Our array is:' 
print a 
print '\n'  

print 'Applying percentile() function:' 
print np.percentile(a,50) 
print '\n'  

print 'Applying percentile() function along axis 1:' 
print np.percentile(a,50, axis = 1) 
print '\n'  

print 'Applying percentile() function along axis 0:' 
print np.percentile(a,50, axis = 0)

Il produira la sortie suivante -

Our array is:
[[30 40 70]
 [80 20 10]
 [50 90 60]]

Applying percentile() function:
50.0

Applying percentile() function along axis 1:
[ 40. 20. 60.]

Applying percentile() function along axis 0:
[ 50. 40. 60.]

numpy.median ()

Medianest définie comme la valeur séparant la moitié supérieure d'un échantillon de données de la moitié inférieure. lenumpy.median() La fonction est utilisée comme indiqué dans le programme suivant.

Exemple

import numpy as np 
a = np.array([[30,65,70],[80,95,10],[50,90,60]]) 

print 'Our array is:' 
print a 
print '\n'  

print 'Applying median() function:' 
print np.median(a) 
print '\n'  

print 'Applying median() function along axis 0:' 
print np.median(a, axis = 0) 
print '\n'  
 
print 'Applying median() function along axis 1:' 
print np.median(a, axis = 1)

Il produira la sortie suivante -

Our array is:
[[30 65 70]
 [80 95 10]
 [50 90 60]]

Applying median() function:
65.0

Applying median() function along axis 0:
[ 50. 90. 60.]

Applying median() function along axis 1:
[ 65. 80. 60.]

numpy.mean ()

La moyenne arithmétique est la somme des éléments le long d'un axe divisée par le nombre d'éléments. lenumpy.mean()La fonction renvoie la moyenne arithmétique des éléments du tableau. Si l'axe est mentionné, il est calculé le long de celui-ci.

Exemple

import numpy as np 
a = np.array([[1,2,3],[3,4,5],[4,5,6]]) 

print 'Our array is:' 
print a 
print '\n'  

print 'Applying mean() function:' 
print np.mean(a) 
print '\n'  

print 'Applying mean() function along axis 0:' 
print np.mean(a, axis = 0) 
print '\n'  

print 'Applying mean() function along axis 1:' 
print np.mean(a, axis = 1)

Il produira la sortie suivante -

Our array is:
[[1 2 3]
 [3 4 5]
 [4 5 6]]

Applying mean() function:
3.66666666667

Applying mean() function along axis 0:
[ 2.66666667 3.66666667 4.66666667]

Applying mean() function along axis 1:
[ 2. 4. 5.]

numpy.average ()

La moyenne pondérée est une moyenne résultant de la multiplication de chaque composante par un facteur reflétant son importance. lenumpy.average()La fonction calcule la moyenne pondérée des éléments d'un tableau en fonction de leur poids respectif donné dans un autre tableau. La fonction peut avoir un paramètre d'axe. Si l'axe n'est pas spécifié, le tableau est aplati.

En considérant un tableau [1,2,3,4] et des poids correspondants [4,3,2,1], la moyenne pondérée est calculée en additionnant le produit des éléments correspondants et en divisant la somme par la somme des poids.

Moyenne pondérée = (1 * 4 + 2 * 3 + 3 * 2 + 4 * 1) / (4 + 3 + 2 + 1)

Exemple

import numpy as np 
a = np.array([1,2,3,4]) 

print 'Our array is:' 
print a 
print '\n'  

print 'Applying average() function:' 
print np.average(a) 
print '\n'  

# this is same as mean when weight is not specified 
wts = np.array([4,3,2,1]) 

print 'Applying average() function again:' 
print np.average(a,weights = wts) 
print '\n'  

# Returns the sum of weights, if the returned parameter is set to True. 
print 'Sum of weights' 
print np.average([1,2,3, 4],weights = [4,3,2,1], returned = True)

Il produira la sortie suivante -

Our array is:
[1 2 3 4]

Applying average() function:
2.5

Applying average() function again:
2.0

Sum of weights
(2.0, 10.0)

Dans un tableau multidimensionnel, l'axe de calcul peut être spécifié.

Exemple

import numpy as np 
a = np.arange(6).reshape(3,2) 

print 'Our array is:' 
print a 
print '\n'  

print 'Modified array:' 
wt = np.array([3,5]) 
print np.average(a, axis = 1, weights = wt) 
print '\n'  

print 'Modified array:' 
print np.average(a, axis = 1, weights = wt, returned = True)

Il produira la sortie suivante -

Our array is:
[[0 1]
 [2 3]
 [4 5]]

Modified array:
[ 0.625 2.625 4.625]

Modified array:
(array([ 0.625, 2.625, 4.625]), array([ 8., 8., 8.]))

Écart-type

L'écart type est la racine carrée de la moyenne des écarts carrés par rapport à la moyenne. La formule de l'écart type est la suivante -

std = sqrt(mean(abs(x - x.mean())**2))

Si le tableau est [1, 2, 3, 4], alors sa moyenne est de 2,5. Par conséquent, les écarts au carré sont [2,25, 0,25, 0,25, 2,25] et la racine carrée de sa moyenne divisée par 4, c.-à-d. Sqrt (5/4) est 1,1180339887498949.

Exemple

import numpy as np 
print np.std([1,2,3,4])

Il produira la sortie suivante -

1.1180339887498949

Variance

La variance est la moyenne des écarts au carré, c'est-à-dire mean(abs(x - x.mean())**2). En d'autres termes, l'écart type est la racine carrée de la variance.

Exemple

import numpy as np 
print np.var([1,2,3,4])

Il produira la sortie suivante -

1.25