Τρόπος υπολογισμού του μέσου όρου μιας λίστας - Στατιστικά στοιχεία και η μέση συνάρτηση της Python που εξηγείται λεπτομερώς

Τα μαθηματικά και ο προγραμματισμός συμβαδίζουν. Εάν είστε προγραμματιστής, κάποια στιγμή θα πρέπει να χρησιμοποιήσετε τα μαθηματικά.

Η επιστήμη δεδομένων, η μηχανική μάθηση, η τεχνητή νοημοσύνη και τα κρυπτονομίσματα βασίζονται σε πολύπλοκες υποκείμενες μαθηματικές αρχές.

Ωστόσο, η χρήση μαθηματικών συναρτήσεων δεν πρέπει να είναι περίπλοκη! Η Python αφαιρεί τα πάντα, οπότε μόλις καταλάβετε τις έννοιες, δεν θα χρειαστεί να καταλάβετε τις πλήρεις λεπτομέρειες της εφαρμογής.

Τα μαθηματικά δεν πρέπει να είναι τρομακτικά

Υπάρχουν πολλές μαθηματικές συναρτήσεις που θα συναντήσετε. Εάν εργάζεστε με δεδομένα ή αναλυτικά στοιχεία, είναι σημαντικό να κατανοήσετε ορισμένες μαθηματικές αρχές και λειτουργίες.

Μια τέτοια λειτουργία που πρέπει να καταλάβετε είναι η meanσυνάρτηση.

Μην απογοητεύεστε από το όνομα - δεν υπάρχει τίποτα σημαίνον (για την meanλειτουργία στο Python).

Αυτή η ανάρτηση είναι αυτόνομη, αλλά περιμένω να έχετε κάποια εμπειρία στη συνεργασία με την Python και ότι γνωρίζετε τι είναι μια λίστα Python. Εάν όχι, δείτε αυτό το άρθρο πριν προχωρήσετε.

Μόλις τελειώσετε, επιστρέψτε και ελάτε μαζί μου για μια βαθιά βουτιά στη meanλειτουργία.

Στατιστική

Έτσι θέλετε να μάθετε για τη meanλειτουργία. Αυτό είναι υπέροχο! Αλλά πριν εξετάσουμε αυτήν τη λειτουργία, είναι σημαντικό να εξετάσουμε την πειθαρχία από την οποία προέρχεται: στατιστικές.

Στην παραπάνω εικόνα βλέπουμε ένα γράφημα. Ένα γράφημα είναι μια εικονική αναπαράσταση που δείχνει τη σχέση μιας μεταβλητής σε σχέση με μια άλλη.

Τα γραφήματα είναι χρήσιμα επειδή μας επιτρέπουν να οργανώνουμε δεδομένα, έτσι ώστε να μπορούμε να δούμε γρήγορα τις τάσεις και τις σχέσεις μεταξύ των δεδομένων. Ένα γράφημα είναι ένα μόνο εργαλείο που μπορούμε να χρησιμοποιήσουμε για να οπτικοποιήσουμε και να αναλύσουμε δεδομένα.

Η Στατιστική είναι ένας κλάδος των μαθηματικών που μας επιτρέπει να έχουμε έναν συστηματικό τρόπο ταξινόμησης, ανάλυσης και ερμηνείας δεδομένων. Αυτό είναι σημαντικό γιατί με τα στατιστικά στοιχεία, έχουμε μια συλλογή από έτοιμα εργαλεία για να κάνουμε κάθε ένα από αυτά τα πράγματα.

Φανταστείτε εάν χρειαζόταν να ανακαλύψετε ξανά ένα πριόνι κάθε φορά που χρειάζεστε για να κόψετε ένα κομμάτι ξύλου. Πολλοί άνθρωποι καλούσαν πριόνια με διαφορετικά ονόματα, παρόλο που κάνουν το ίδιο πράγμα. Για να αποφύγουμε αυτό το πρόβλημα, δώσαμε στο πριόνι ένα όνομα από το οποίο όλοι μπορούν να το αναφέρουν.

Το ίδιο συμβαίνει και στις στατιστικές - έχουμε εργαλεία γνωστά εργαλεία με τα οποία όλοι είναι εξοικειωμένοι. Ένα τέτοιο εργαλείο είναι ο μέσος όρος.

Λειτουργία, διάμεσος και μέσος όρος

Αν και ο μέσος είναι απόλυτα ικανός να στέκεται μόνος του, συνήθως διδάσκεται ως μέρος ενός τρίο, το οποίο περιλαμβάνει τη λειτουργία, τη διάμεση και τη μέση τιμή.

Ας δούμε μια ομάδα αριθμών για να καταλάβετε τι συμβαίνει εδώ. Φανταστείτε ότι έχετε τους παρακάτω αριθμούς:

1, 2, 3, 3, 4, 6, 9

Ας πούμε ότι θέλαμε να εκφράσουμε τον αριθμό που εμφανίζεται τις περισσότερες φορές. Θα ήταν 3 και το όνομα που δίνουμε σε αυτήν την ιδιότητα είναι η λειτουργία. Η λειτουργία είναι ο αριθμός που είναι ο πιο συχνός σε ένα σετ που εξετάζουμε.

Ο αριθμός στη μέση ενός παραγγελθέντος συνόλου ονομάζεται διάμεσος. Για να βρείτε τη διάμεση τιμή ενός αριθμού, τακτοποιήστε τους αριθμούς από το μικρότερο έως το μεγαλύτερο και, στη συνέχεια, κοιτάξτε τον αριθμό στη μέση. Το σύνολο των παραπάνω αριθμών είναι ήδη διατεταγμένο από το λιγότερο στο μεγαλύτερο, έτσι ο διάμεσος αριθμός είναι επίσης 3.

Τέλος, ο μέσος όρος είναι ένας άλλος τρόπος για να αναφερθεί ο μέσος όρος του σετ. Για να βρείτε το μέσο, ​​απλώς προσθέστε όλους τους αριθμούς μαζί και διαιρέστε τον με τον συνολικό αριθμό στοιχείων στο σύνολο. Στην περίπτωση των παραπάνω αριθμών, αν τα προσθέσουμε όλα μαζί, παίρνουμε 28. Ο συνολικός αριθμός αντικειμένων στο σετ είναι 7, οπότε ο μέσος όρος μας είναι 4.

Γιατί χρειαζόμαστε το μέσο;

Έτσι σε αυτό το σημείο μπορεί να αναρωτιέστε γιατί θα πρέπει να βρούμε το μέσο όρο ενός αριθμού ούτως ή άλλως.

Το θέμα είναι, ακόμη και τα ίδια τα στατιστικά στοιχεία χωρίζονται σε διάφορες ομάδες. Ακριβώς όπως έχετε εργαλεία που χρησιμοποιούνται για εργασία με ξύλο και άλλα για εργασία με μέταλλο, ορισμένα εργαλεία στα στατιστικά ομαδοποιούνται σε τάξεις αφού χρησιμοποιούνται για παρόμοιο σκοπό.

Μια τέτοια ομάδα στατιστικών ονομάζεται συνοπτικά στατιστικά. Ένα από τα πράγματα που χρησιμοποιούνται στατιστικά στοιχεία είναι να περιγράψει δεδομένα και τα συνοπτικά στατιστικά στοιχεία είναι μια συλλογή εργαλείων που χρησιμοποιούνται για το σκοπό αυτό. Ένα από τα στοιχεία αυτής της κατηγορίας εργαλείων είναι ο μέσος όρος.

Ο μέσος όρος είναι σημαντικός επειδή μας βοηθά να αναλύσουμε αυτό που είναι γνωστό ως διανομή. Στα στατιστικά στοιχεία, μια διανομή είναι μια μέθοδος που χρησιμοποιούμε για να δούμε μια μεταβλητή στην οποία θέλουμε πληροφορίες. Χρησιμοποιώντας μια διανομή θα εξετάσουμε τις τιμές αυτής της μεταβλητής και πόσο συχνά εμφανίζεται.

Εάν συλλέγουμε δεδομένα, ένας κοινός τύπος διανομής που βλέπουμε είναι η κανονική κατανομή που λαμβάνει τη μορφή της καμπύλης καμπάνας:

Δηλαδή, η μεταβλητή θα έχει μια κοινή τιμή προς την οποία τείνει, καθώς και ένα σημείο εκκίνησης και τελικού σημείου.

Αυτό που σημαίνει είναι ότι μας επιτρέπει να κάνουμε μια κατανομή όπως αυτή και να δούμε την κεντρική τάση της μεταβλητής, που είναι το σημείο στο οποίο οι τιμές της μεταβλητής τείνουν να συσσωρεύονται.

Έτσι μπορούμε να πούμε ότι το μέσο περιγράφει την κεντρική τάση της κατανομής.

Υπολογισμός του μέσου όρου στην Python

Μπορούμε να υπολογίσουμε με μη αυτόματο τρόπο το μέσο όρο εάν έχουμε ένα μικρό αριθμητικό σύνολο δεδομένων που έχουμε μερικές τιμές για να εργαστούμε. Ωστόσο, όταν έχουμε εκατοντάδες ή χιλιάδες τιμές σε ένα σύνολο δεδομένων, είναι αδύνατο να τον υπολογίσουμε με το χέρι.

Δεδομένου ότι το Python είναι μια γλώσσα που περιλαμβάνει μπαταρίες, ο τρόπος που μπορούμε να το κάνουμε αυτό είναι να χρησιμοποιήσουμε τη meanλειτουργία της μονάδας στατιστικών στοιχείων στο Python.

Ας χρησιμοποιήσουμε τη meanσυνάρτηση για να υπολογίσουμε τον μέσο όρο του αριθμητικού συνόλου δεδομένων που είχαμε νωρίτερα στην ανάρτηση:

 # 1. import the statistics module import statistics # 2. list containing our numerical data set numerical_data_set = [1, 2, 3, 3, 4, 6, 9] # 3. calculate the mean calc_mean = statistics.mean(numerical_data_set) # 4. print our calculated mean print("Mean is: ", calc_mean) 

Our code consists of a 4 step sequence that we can use to calculate the mean:

  1. We import the statistics module that contains our mean function
  2. We create a Python list containing the numerical data set of which we would like to calculate the mean
  3. We calculate the mean and store the result in a variable, calc_mean
  4. We output our calculated mean so that we can get visual feedback

When we run the code, we will get the following output:

The program outputs the same value as our manual calculations. When we are working with large data sets, this function will be able to scale to handle whatever we can throw at it.

Wrapping Up

In this post we looked at the mean function in Python. We began by discussing statistics as a whole, then took a deep dive into mean.

Now that you have a solid understanding of statistics and the mean function in Python, you can use it in your own programs.

If you liked this article, then you may also be curious about learning about data structures and algorithms. If you want a simple, clear, step by step guide to learning about data structures and algorithms without having to write a single line of code, then you can check out the book Codeless Data Structures and Algorithms.

Read the book here:

Δομές και αλγόριθμοι δεδομένων χωρίς κωδικούς - Μάθετε το DSA χωρίς να γράψετε μία γραμμή κώδικα | Άρμστρονγκ Σουμπέρο | Apress Αυτό το βιβλίο σας προσφέρει μια νέα προοπτική για αλγόριθμους και δομές δεδομένων, εντελώς δωρεάν. Μάθετε σχετικά με τους αλγόριθμους δομής δεδομένων (DSA) χωρίς να χρειάζεται να ανοίξετε ποτέ τον επεξεργαστή κώδικα, να χρησιμοποιήσετε έναν μεταγλωττιστή ή να δείτε ένα ενσωματωμένο περιβάλλον ανάπτυξης (IDE) .... Armstrong Subero Search Menu Καλάθι V Το καλάθι σας είναι προς το παρόν κενό. Είσοδος Λογαριασμός Ράφι Είσοδος Apress Access