python求標准差

❶ python 數據處理（三十九）—— groupby（過濾）

filter 方法可以返回原始對象的子集.

例如，我們想提取分組內的和大於 3 的所有分組的元素

filter 的參數必須是一個函數，函數參數是每個分組，並且返回 True 或 False

例如，提取元素個數大於 2 的分組

另外，我們也可以過濾掉不滿足條件的組，而是返回一個類似索引對象。在這個對象中，沒有通過的分組的元素被 NaN 填充

對於具有多列的 DataFrames ，過濾器應明確指定一列作為過濾條件

在進行聚合或轉換時，你可能想對每個分組調用一個實例方法，例如

但是，如果需要傳遞額外的參數時，它會變得很冗長。我們可以直接使用分派到組對象上的方法

實際上這生成了一個函數包裝器，在調用時，它接受所有傳遞的參數，並在每個分組上進行調用。

然後，這個結果可以和 agg 和 transform 結合在一起使用

在上面的例子中，我們按照年份分組，然後對每個分組中使用 fillna 補缺失值

nlargest 和 nsmallest 可以在 Series 類型的 groupby 上使用

對分組數據的某些操作可能並不適合聚合或轉換。或者說，你可能只是想讓 GroupBy 來推斷如何合並結果

我們可以使用 apply 函數，例如

改變返回結果的維度

在 Series 上使用 apply 類似

對於之前的示例數據

假設，我們想按 A 分組並計算組內的標准差，但是 B 列的數據我們並不關心。

如果我們的函數不能應用於某些列，則會隱式的刪除這些列，所以

直接計算標准差並不會報錯

可以使用分類變數進行分組，分組的順序會按照分類變數的順序

可以使用 pd.Grouper 控制分組，對於如下數據

可以按照一定的頻率對特定列進行分組，就像重抽樣一樣

可以分別對列或索引進行分組

類似於 Series 和 DataFrame ，可以使用 head 和 tail 獲取分組前後幾行

在 Series 或 DataFrame 中可以使用 nth() 來獲取第 n 個元素，也可以用於獲取每個分組的某一行

如果你要選擇非空項，可以使用關鍵字參數 dropna ，如果是 DataFrame ，需要指定為 any 或 all (類似於 DataFrame.dropna(how='any|all') )

與其他方法一樣，使用 as_index=False 分組名將不會作為索引

你也可以傳入一個整數列表，一次性選取多行

使用 cumcount 方法，可以查看每行在分組中出現的順序

可以使用 ngroup() 查看分組的順序，該順序與 cumcount 的順序相反。

注意 ：該順序與迭代時的分組順序一樣，並不是第一次觀測到的順序

❷ 統計學中t值怎麼計算 p值又怎麼算

1、t指的是T檢驗，亦稱student t檢驗（Student's t test），主要用於樣本含量較小（n<30），總體標准差σ未知的正態分布資料。

計算：t的檢驗是雙側檢驗，只要T值的絕對值大於臨界值就是不拒絕原假設。

2、P值（P value）就是當原假設為真時所得到的樣本觀察結果或更極端結果出現的概率。如果P值很小，說明原假設情況的發生的概率很小，而如果出現了，根據小概率原理，我們就有理由拒絕原假設，P值越小，我們拒絕原假設的理由越充分。

計算：概率定義為：P(A)=m/n，其中n表示該試驗中所有可能出現的基本結果的總數目。m表示事件A包含的試驗基本結果數。

拓展資料

統計學是關於認識客觀現象總體數量特徵和數量關系的科學。它是通過搜集、整理、分析統計資料，認識客觀現象數量規律性的方法論科學。由於統計學的定量研究具有客觀、准確和可檢驗的特點，所以統計方法就成為實證研究的最重要的方法，廣泛適用於自然、社會、經濟、科學技術各個領域的分析研究。

❸ np.std在python中的意思

std()函數就是初高中學的標准差 numpy.std()
求標准差的時候默認是除以 n 的,即是有偏的,np.std無偏樣本標准差方式為加入參數 ddof = 1

❹ 用python生成隨機數的幾種方法

1 從給定參數的正態分布中生成隨機數
當考慮從正態分布中生成隨機數時，應當首先知道正態分布的均值和方差（標准差），有了這些，就可以調用python中現有的模塊和函數來生成隨機數了。這里調用了Numpy模塊中的random.normal函數，由於邏輯非參簡單，所有直接貼上代碼如下：
import numpy as np# 定義從正態分布中獲取隨機數的函數def get_normal_random_number(loc, scale): """ :param loc: 正態分布的均值 :param scale: 正態分布的標准差 :return:從正態分布中產生的隨機數 """ # 正態分布中的隨機數生成 number = np.random.normal(loc=loc, scale=scale) # 返回值 return number# 主模塊if __name__ == "__main__": # 函數調用 n = get_normal_random_number(loc=2, scale=2) # 列印結果 print(n) # 結果:3.275192443463058

2 從給定參數的均勻分布中獲取隨機數的函數
考慮從均勻分布中獲取隨機數的時候，要事先知道均勻分布的下界和上界，然後調用Numpy模塊的random.uniform函數生成隨機數。
import numpy as np# 定義從均勻分布中獲取隨機數的函數def get_uniform_random_number(low, high): """ :param low: 均勻分布的下界 :param high: 均勻分布的上界 :return: 從均勻分布中產生的隨機數 """ # 均勻分布的隨機數生成 number = np.random.uniform(low, high) # 返回值 return number# 主模塊if __name__ == "__main__": # 函數調用 n = get_uniform_random_number(low=2, high=4) # 列印結果 print(n) # 結果:2.4462417140153114

3 按照指定概率生成隨機數
有時候我們需要按照指定的概率生成隨機數，比如已知盒子中每種顏色的球的比例，猜測下一次取出的球的顏色。在這里介紹的問題和上面的例子相似，要求給定一個概率列表，從列表對應的數字列表或區間列表中生成隨機數，分兩部分討論。
3.1 按照指定概率從數字列表中隨機抽取數字
假設給定一個數字列表和一個與之對應的概率列表，兩個列表對應位置的元素組成的元組即表示該數字在數字列表中以多大的概率出現，那麼如何根據這些已知條件從數字列表中按概率抽取隨機數呢？在這里我們考慮用均勻分布來模擬概率，代碼如下：
import numpy as npimport random# 定義從均勻分布中獲取隨機數的函數def get_uniform_random_number(low, high): """ :param low: 均勻分布的下界 :param high: 均勻分布的上界 :return: 從均勻分布中產生的隨機數 """ # 均勻分布的隨機數生成 number = np.random.uniform(low, high) # 返回值 return number# 定義從一個數字列表中以一定的概率取出對應區間中數字的函數def get_number_by_pro(number_list, pro_list): """ :param number_list:數字列表 :param pro_list:數字對應的概率列表 :return:按概率從數字列表中抽取的數字 """ # 用均勻分布中的樣本值來模擬概率 x = random.uniform(0, 1) # 累積概率 cum_pro = 0.0 # 將可迭代對象打包成元組列表 for number, number_pro in zip(number_list, pro_list): cum_pro += number_pro if x < cum_pro: # 返回值 return number# 主模塊if __name__ == "__main__": # 數字列表 num_list = [1, 2, 3, 4, 5] # 對應的概率列表 pr_list = [0.1, 0.3, 0.1, 0.4, 0.1] # 函數調用 n = get_number_by_pro(number_list=num_list, pro_list=pr_list) # 列印結果 print(n) # 結果:1

3.2 按照指定概率從區間列表中的某個區間內生成隨機數
給定一個區間列表和一個與之對應的概率列表，兩個列表相應位置的元素組成的元組即表示某數字出現在某區間內的概率是多少，已知這些，我們如何生成隨機數呢？這里我們通過兩次使用均勻分布達到目的，代碼如下：
import numpy as npimport random# 定義從均勻分布中獲取隨機數的函數def get_uniform_random_number(low, high): """ :param low: 均勻分布的下界 :param high: 均勻分布的上界 :return: 從均勻分布中產生的隨機數 """ # 均勻分布的隨機數生成 number = np.random.uniform(low, high) # 返回值 return number# 定義從一個數字列表中以一定的概率取出對應區間中數字的函數def get_number_by_pro(number_list, pro_list): """ :param number_list:數字列表 :param pro_list:數字對應的概率列表 :return:按概率從數字列表中抽取的數字 """ # 用均勻分布中的樣本值來模擬概率 x = random.uniform(0, 1) # 累積概率 cum_pro = 0.0 # 將可迭代對象打包成元組列表 for number, number_pro in zip(number_list, pro_list): cum_pro += number_pro if x < cum_pro: # 從區間[number. number - 1]上隨機抽取一個值 num = get_uniform_random_number(number, number - 1) # 返回值 return num# 主模塊if __name__ == "__main__": # 數字列表 num_list = [1, 2, 3, 4, 5] # 對應的概率列表 pr_list = [0.1, 0.3, 0.1, 0.4, 0.1] # 函數調用 n = get_number_by_pro(number_list=num_list, pro_list=pr_list) # 列印結果 print(n) # 結果:3.49683787011193

❺ stdev是什麼函數

stdev是是樣本標准差的函數。

stdev是Excel中的用於估算樣本的標准偏差函數，其使用方法是：首先打開Excel文件；然後輸入公式「＝stdev(A1:A10)」即可獲取數據樣本的標准偏差。

STDEV函數在Excel 2003和更高版本的Excel來說明該函數的使用方式，並比較結果函數的Excel 2003和更高版本的Excel的早期版本的Excel中使用時的STDEV結果中。

Excel中STDEV和STDEVP的區別：

1、含義不同：在Excel中，STDEV和STDEVP都是用來計算標准差的函數，STDEV是樣本標准差的函數，STDEVP是總體標准差的函數。

2、函數對象不同：STDEV是用來計算調查的一部分個體的標准差，也就是樣本標准差。而STDEVP用來計算研究對象的全部總和的標准差。

以上內容參考：網路-STDEV