Python 中的 numpy 包 和 pandas 包都能够计算均值、方差等，本文总结一下它们的用法。 #1. Numpy 计算均值、方差、标准差 一般的均值可以用 numpy 中的 mean 方法求得：
>>> import numpy as np
>>> a = [5, 6, 16, 9]
>>> np.mean(a)
9.0
numpy 中的 average 方法不仅能求得简单平均数，也可以求出加权平均数。average 里面可以跟一个 weights 参数，里面是一个权数的数组，例如：
>>> np.average(a)
>>> 9.0
>>> np.average(a, weights = [1, 2, 1, 1])
>>> 8.4
计算方差时，可以利用 numpy 中的 var 函数，默认是总体方差（计算时除以样本数 N），若需要得到样本方差（计算时除以 N - 1），需要跟参数 ddo f= 1，例如
>>> import pnumpy as np
>>> a = [5, 6, 16, 9]
>>> np.var(a) # 计算总体方差
18.5
>>> np.var(a, ddof = 1) # 计算样本方差
24.666666666666668
>>> b = [[4, 5], [6, 7]]
>>> b
[[4, 5], [6, 7]]
>>> np.var(b) # 计算矩阵所有元素的方差
1.25
>>> np.var(b, axis = 0) # 计算矩阵每一列的方差
array([1., 1.])
>>> np.var(b, axis = 1) # 计算矩阵每一行的方差
array([0.25, 0.25])
计算标准差时，可以利用 numpy 中的 std 函数，使用方法与 var 函数很像，默认是总体标准差，若需要得到样本标准差，需要跟参数 ddof =1，
>>> import pnumpy as np
>>> a = [5, 6, 16, 9]
>>> np.std(a) # 计算总体标准差
4.301162633521313
>>> np.std(a, ddof = 1 ) # 计算样本标准差
4.96655480858378
>>> np.std(b) # 计算矩阵所有元素的标准差
1.118033988749895
>>> np.std(b, axis = 0) # 计算矩阵每一列的标准差
array([1., 1.])
>>> np.std(b, axis = 1) # 计算矩阵每一列的标准差
array([0.5, 0.5])
#2. Pandas 计算均值、方差、标准差 对于 pandas ，也可以用里面的 mean 函数可以求得所有行或所有列的平均数，例如：
>>> import pandas as pd
>>> df = pd.DataFrame(np.array([[85, 68, 90], [82, 63, 88], [84, 90, 78]]), columns=['统计学', '高数', '英语'], index=['张三', '李四', '王五'])
>>> df
统计学 高数 英语
张三 85 68 90
李四 82 63 88
王五 84 90 78
>>> df.mean() # 显示每一列的平均数
统计学 83.666667
高数 73.666667
英语 85.333333
dtype: float64
>>> df.mean(axis = 1) # 显示每一行的平均数
张三 81.000000
李四 77.666667
王五 84.000000
dtype: float64
若要得到某一行或某一列的平均值，则可以使用 iloc 选取改行或该列数据，后面跟 mean 函数就能得到，例如：
>>> df
统计学 高数 英语
张三 85 68 90
李四 82 63 88
王五 84 90 78
>>> df.iloc[0, :].mean() # 得到第 1 行的平均值
81.0
>>> df.iloc[:, 2].mean() # 得到第 3 列的平均值
85.33333333333333
pandas 中的 var 函数可以得到样本方差（注意不是总体方差），std 函数可以得到样本标准差，若要得到某一行或某一列的方差，则也可用 iloc 选取某行或某列，后面再跟 var 函数或 std 函数即可，例如：
>>> df.var() # 显示每一列的方差
统计学 2.333333
高数 206.333333
英语 41.333333
dtype: float64
>>> df.var(axis = 1) # 显示每一行的方差
张三 133.000000
李四 170.333333
王五 36.000000
dtype: float64
>>> df.std() # 显示每一列的标准差
统计学 1.527525
高数 14.364308
英语 6.429101
dtype: float64
>>> df.std(axis = 1) # 显示每一行的标准差
张三 11.532563
李四 13.051181
王五 6.000000
dtype: float64
>>> df.iloc[0, :].std() # 显示第 1 行的标准差
11.532562594670797
>>> df.iloc[:, 2].std() # 显示第 3 列的标准差
6.429100507328636
题外话
在此疾速成长的科技元年，编程就像是许多人通往无限可能世界的门票。而在编程语言的明星阵容中，Python就像是那位独领风 骚的超级巨星， 以其简洁易懂的语法和强大的功能，脱颖而出，成为全球最炙手可热的编程语言之一。
Python 的迅速崛起对整个行业来说都是极其有利的 ，但“人红是非多”，导致它平添了许许多多的批评，不过依旧挡不住它火爆的发展势头。
最后
为了帮助大家更好的学习Python，小编给大家准备了一份Python学习资料，里面的内容都是适合零基础小白的笔记和资料，不懂编程也能听懂、看懂，需要获取方式：点击这里【 Python全套资料】 即可获取。
CSDN大礼包：《Python开发全套学习笔记/实战项目/安装工具》免费分享
Python学习路线汇总
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
Python必备开发工具
精品Python学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
温馨提示：篇幅有限，已打包文件夹，获取方式：点击这里【 Python全套资料】 即可获取。
CSDN大礼包：《Python开发全套学习笔记/实战项目/安装工具》免费分享
Python学习视频600合集
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
100道Python练习题
面试刷题 实战案例 光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
Python副业兼职与全职路线
获取方式：点击这里【 Python全套资料】 或扫描下方即可获取。
CSDN大礼包：《Python开发全套学习笔记/实战项目/安装工具》免费分享
好文推荐
您阅读本篇文章共花了：
发表评论