第40天： Python statistics 模块

简介

随着互联网的普及，整个互联网每天都会产生海量的数据，如何有效地处理这些数据成为了互联网人的必备技能，而 Python 内置的 statistics 模块提供了基本的数据统计操作。

常用功能

mean(data)

mean(data) 用于求给定序列或者迭代器的算术平均数。

1 2 3 4 5 6 7

import statistics example_list = [1,2,3,4,5,6] x = statistics.mean(example_list) print(x) # 输出结果 3.5

harmonic_mean(data)

harmonic_mean(data) 用于计算数据的调和均值。

1 2 3 4 5 6 7

x = statistics.harmonic_mean(example_list) print(x) print(1/sum([1/1,1/2,1/3,1/4,1/5,1/6])*6) # 输出结果 2.4489795918367347 2.448979591836735

median(data)

median(data) 计算数据的中位数。如果有两个中位数，则返回其平均值。

1 2 3 4 5

x = statistics.median(example_list) print(x) # 输出结果 3.5

median_low(data)

median_low(data) 也是用于计算中位数的，如果有两个中位数，返回较小的那个。

1 2 3 4 5

x = statistics.median_low(example_list) print(x) # 输出结果 3

median_high(data)

median_high(data) 也是用于计算中位数的，如果有两个中位数，返回较大的那个。

1 2 3 4 5

x = statistics.median_high(example_list) print(x) # 输出结果 4

mode(data)

mode(data) 计算众数，也就是序列中出现次数最多的元素。

1 2 3 4 5 6 7 8 9

x = statistics.mode([1,1,2,3,4,3,3,3,3]) print(x) x = statistics.mode(["a","b","c","d","d","a","a",]) print(x) # 输出结果 3 a

pstdev(data, mu=None)

pstdev(data, mu=None) 用于计算数据的总体标准差。其中 mu 是序列的均值，如果你已经知道了该序列的均值，可传入该参数以减少计算量，当然该函数不会去验证你传入的均值是否合法，使用错误的均值可能会产生无效的结果。

1 2 3 4 5

x = statistics.pstdev([2,2,2,6]) print(x) # 输出结果 1.7320508075688772

pvariance(data, mu=None)

pvariance(data, mu=None) 用于计算数据的总体方差。

1 2 3 4 5

x = statistics.pvariance([2,2,2,6]) print(x) # 输出结果 3

stdev(data, xbar=None)

stdev(data, xbar=None) 用于计算数据的样本标准差。其中 xbar 是序列的均值，如果你已经知道了该序列的均值，可传入该参数以减少计算量，当然该函数不会去验证你传入的均值是否合法，使用错误的均值可能会产生无效的结果。

1 2 3 4 5

x = statistics.stdev([2,2,2,6]) print(x) # 输出结果 2.0

variance(data, xbar=None)

variance(data, xbar=None) 用于计算数据的样本方差。

1 2 3 4 5

x = statistics.variance([2,2,2,6]) print(x) # 输出结果 4

statistics 总结

本文总结了 statistics 模块的常规操作，对于数据分析还是非常有益处的。

代码地址

示例代码：Python-100-days-day040

参考资料

Python 文档 statistics