python 平均值/MAX/MIN值 计算从入门到精通「建议收藏」

python 平均值/MAX/MIN值 计算从入门到精通「建议收藏」##入门级计算####1、算数平均值#样本:S=[s1,s2,s3,…,sn]#算术平均值:m=(s1+s2+s3+…+sn)/nNumpy中的写法m=

大家好,又见面了,我是你们的朋友全栈君。

入门级计算

1、算数平均值

#样本:
S = [s1, s2, s3, …, sn]
#算术平均值:
m = (s1 + s2 + s3 + … + sn)/n

Numpy中的写法

m = numpy.mean(样本数组)

2、加权平均值

#样本:
S = [s1, s2, s3, …, sn] 
#权重:
W = [w1, w2, w3, …, wn] 
#加权平均值:
a = (s1w1 + s2w2 + s3w3 + … + snwn)/(w1 + w2 + w3 + … + wn)

3、Numpy中的格式

首先是数据源:需要求加权平均值的数据列表和对应的权值列表

elements = []
weights = []

使用numpy直接求:

import numpy as np
np.average(elements, weights=weights)

附纯python写法:

# 不使用numpy写法1
round(sum([elements[i]*weights[i] for i in range(n)])/sum(weights), 1)

# 不使用numpy写法2
round(sum([j[0]*j[1] for j in zip(elements, weights)])/sum(weights), 1)

定义函数计算一个序列的平均值的方法

def average(seq, total=0.0):   
  num = 0   
  for item in seq:   
    total += item   
    num += 1   
  return total / num  

如果序列是数组或者元祖可以简单使用下面的代码

def average(seq):   
 return float(sum(seq)) / len(seq)  

3、最大值与最小值

1、最大值、最小值
max:获取一个数组中最大元素
min:获取一个数组中最小元素

2、比较出最值数组
maximum:在两个数组的对应元素之间构造最大值数组
minimum:在两个数组的对应元素之间构造最小值数组

例:numpy.maximum(a, b):在a数组与b数组中的各个元素对应比较,每次取出较大的那个数构成一个新数组

3、练习

import numpy as np
# 最大值最小值
a = np.random.randint(10, 100, 9).reshape(3, 3)
print(a)
# print('最大值:', np.max(a), a.max())  # 最大值
# print('最小值:', np.min(a), a.min())  # 最小值
# print('最大值索引:', np.argmax(a), a.argmax())  # 数组扁平为一维后的最大值索引

# maximum最大值,minimum最小值
b = np.random.randint(10, 100, 9).reshape(3, 3)
print(b)
print('构造最大值数组:\n', np.maximum(a, b))
print('构造最小值数组:\n', np.minimum(a, b))

精通级学习

例一

有一个df:

             ID    wt  value
Date                        
01/01/2012  100  0.50     60
01/01/2012  101  0.75     80
01/01/2012  102  1.00    100
01/02/2012  201  0.50    100
01/02/2012  202  1.00     80

相关代码如下:

import numpy as np
import pandas as pd
index = pd.Index(['01/01/2012','01/01/2012','01/01/2012','01/02/2012','01/02/2012'], name='Date')
df = pd.DataFrame({'ID':[100,101,102,201,202],'wt':[.5,.75,1,.5,1],'value':[60,80,100,100,80]},index=index)

按“值”加权并按指数分组的“wt”的平均值为:

Date
01/01/2012    0.791667
01/02/2012    0.722222
dtype: float64

或者,也可以定义函数:

def grouped_weighted_avg(values, weights, by):
      return (values * weights).groupby(by).sum() / weights.groupby(by).sum()
grouped_weighted_avg(values=df.wt, weights=df.value, by=df.index)

Date
01/01/2012    0.791667
01/02/2012    0.722222
dtype: float64

更复杂的:

grouped = df.groupby('Date')
def wavg(group):
    d = group['value']
    w = group['wt']
    return (d * w).sum() / w.sum()
grouped.apply(wavg)

例二

  ind  dist  diff  cas
0  la  10.0  0.54  1.0
1   p   5.0  3.20  2.0
2  la   7.0  8.60  3.0
3  la   8.0  7.20  4.0
4   p   7.0  2.10  5.0
5   g   2.0  1.00  6.0
6   g   5.0  3.50  7.0
7  la   3.0  4.50  8.0


df = pd.DataFrame({'ind':['la','p','la','la','p','g','g','la'],
                        'dist':[10.,5.,7.,8.,7.,2.,5.,3.],
                        'diff':[0.54,3.2,8.6,7.2,2.1,1.,3.5,4.5],
                        'cas':[1.,2.,3.,4.,5.,6.,7.,8.]})

生成一列(使用 transform在组内获得标准化权重)weight
df['weight'] = df['dist'] / df.groupby('ind')['dist'].transform('sum')
df

  ind  dist  diff  cas    weight
0  la  10.0  0.54  1.0  0.357143
1   p   5.0  3.20  2.0  0.416667
2  la   7.0  8.60  3.0  0.250000
3  la   8.0  7.20  4.0  0.285714
4   p   7.0  2.10  5.0  0.583333
5   g   2.0  1.00  6.0  0.285714
6   g   5.0  3.50  7.0  0.714286
7  la   3.0  4.50  8.0  0.107143

将这些权重乘以这些值,并取总和:

df['wcas'], df['wdiff'] = (df[n] * df['weight'] for n in ('cas', 'diff'))
df.groupby('ind')[['wcas', 'wdiff']].sum()

         wcas     wdiff
ind                    
g    6.714286  2.785714
la   3.107143  4.882143
p    3.750000  2.558333

变异的写法:

backup = df.copy()     # make a backup copy to mutate in place
cols = df.columns[:2]  # cas, diff
df[cols] = df['weight'].values[:, None] * df[cols]
df.groupby('ind')[cols].sum()

          cas      diff
ind                    
g    6.714286  2.785714
la   3.107143  4.882143
p    3.750000  2.558333

例四(比较直观)

df = pd.DataFrame([('bird', 'Falconiformes', 389.0),
   ...:                    ('bird', 'Psittaciformes', 24.0),
   ...:                    ('mammal', 'Carnivora', 80.2),
   ...:                    ('mammal', 'Primates', np.nan),
   ...:                    ('mammal', 'Carnivora', 58)],
   ...:                   index=['falcon', 'parrot', 'lion', 'monkey', 'leopard'],
   ...:                   columns=('class', 'order', 'max_speed'))
df: 
          class           order  max_speed
falcon     bird   Falconiformes      389.0
parrot     bird  Psittaciformes       24.0
lion     mammal       Carnivora       80.2
monkey   mammal        Primates        NaN
leopard  mammal       Carnivora       58.0

grouped = df.groupby('class')
grouped.sum()
Out: 
        max_speed
class            
bird        413.0
mammal      138.2

例五

df = pd.DataFrame({'animal': 'cat dog cat fish dog cat cat'.split(),
      'size': list('SSMMMLL'),
      'weight': [8, 10, 11, 1, 20, 12, 12],
      'adult': [False] * 5 + [True] * 2})
df: 
  animal size  weight  adult
0    cat    S       8  False
1    dog    S      10  False
2    cat    M      11  False
3   fish    M       1  False
4    dog    M      20  False
5    cat    L      12   True
6    cat    L      12   True

List the size of the animals with the highest weight.

df.groupby('animal').apply(lambda subf: subf['size'][subf['weight'].idxmax()])
Out: 
animal
cat     L
dog     M
fish    M
dtype: object

其它参考文档:

理解Pandas的Transform
https://www.jianshu.com/p/20f15354aedd
https://www.jianshu.com/p/509d7b97088c
https://zhuanlan.zhihu.com/p/86350553
http://www.zyiz.net/tech/detail-136539.html

pandas:apply和transform方法的性能比较
https://www.cnblogs.com/wkang/p/9794678.html

https://www.jianshu.com/p/20f15354aedd
https://zhuanlan.zhihu.com/p/101284491?utm_source=wechat_session
https://www.cnblogs.com/bjwu/p/8970818.html
https://www.jianshu.com/p/42f1d2909bb6

官网的例子
https://pandas.pydata.org/pandas-docs/dev/user_guide/groupby.html
https://pandas.pydata.org/pandas-docs/stable/user_guide/cookbook.html#cookbook-grouping
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.transform.html

pandas 数据聚合与分组运算

获得Pandas中几列的加权平均值和标准差
https://xbuba.com/questions/48307663

Pandas里面的加权平均,我猜你不会用!
https://blog.csdn.net/ddxygq/article/details/101351686

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/156147.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • AWVS批量导入_苹果照片批量导入电脑

    AWVS批量导入_苹果照片批量导入电脑1、在记事本中粘贴目标URL,每行后面需要加逗号(可以使用nopade++批量添加逗号)2、然后保存为.csv格式的文件,然后在AWVS中进行导入即可

  • lambda表达式pythonlist_python lambda表达式简单用法【转】「建议收藏」

    lambda表达式pythonlist_python lambda表达式简单用法【转】「建议收藏」1、lambda是什么?看个例子:g=lambdax:x+1看一下执行的结果:g(1)>>>2g(2)>>>3当然,你也可以这样使用:lambdax:x+1(1)>>>2可以这样认为,lambda作为一个表达式,定义了一个匿名函数,上例的代码x为入口参数,x+1为函数体,用函数来表示为:1defg(x):2returnx+1非常容易理解,在这里lambda简化了函数定义的书…

    2022年10月17日
  • glPushMatrix()和glPopmatirx()

    原文地址:http://blog.csdn.net/tyxkzzf/article/details/40907273OpenGL有三个矩阵堆栈,分别是GL_MODELVIEW(模型视图矩阵堆栈)、GL_PROJECTION(投影矩阵堆栈)、GL_TEXTURE(纹理矩阵堆栈),用法和普通堆栈一样;这里我们只讲模型视图矩阵堆栈,OpenGL提供了相应的接口:glPushMatir

  • idea2021.3.2 激活码 激活licens sever(JetBrains全家桶)

    (idea2021.3.2 激活码 激活licens sever)2021最新分享一个能用的的激活码出来,希望能帮到需要激活的朋友。目前这个是能用的,但是用的人多了之后也会失效,会不定时更新的,大家持续关注此网站~IntelliJ2021最新激活注册码,破解教程可免费永久激活,亲测有效,下面是详细链接哦~https://javaforall.cn/100143.html…

  • Vue.extend详解,自定义toast弹窗

    Vue.extend详解,自定义toast弹窗Vue.extend方法,返回的是一个扩展实例构造器可以理解为组件类的一个构造函数,其属性都为组件内的对应的属性//定义一个组件的构造函数constdivComponent=Vue.extend({ template:`<divv-on:click=”click”>{{text}}</div>`, data(){ return{ text:’helloword’ } }, methods:{ click(){ consol

  • java 时间字符串 转换_java实现时间与字符串之间转换

    java 时间字符串 转换_java实现时间与字符串之间转换导读正文本文实例为大家分享了java实现时间与字符串之间转换的具体代码,供大家参考,具体内容如下1.long字符串转换成yyyy-MM-ddHH:mm:ss格式输出importjava.text.SimpleDateFormat;importjava.util.Date;//将long字符串转换成格式时间输出publicclassLongToString{publicstatic…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号