نوشتن نظر کلیک کنید

Python – میانگین، میانه، نما (Mean Median Mode)

آخرین بروزرسانی: ۲۶ شهریور ۱۴۰۳

میانگین، میانه، و نما
با نگاه به یک گروه از اعداد چه چیزی می‌توانیم بیاموزیم؟

در یادگیری ماشین (و در ریاضیات) معمولاً سه مقدار وجود دارد که مورد توجه ما قرار می‌گیرند:

مثال: ما سرعت 13 ماشین را ثبت کرده‌ایم:

speed = [99, 86, 87, 88, 111, 86, 103, 87, 94, 78, 77, 85, 86]

مقدار متوسط، میانی، یا رایج‌ترین مقدار سرعت چیست؟

میانگین (Mean)

مقدار میانگین همان مقدار متوسط است.

برای محاسبه میانگین، مجموع تمام مقادیر را بیابید و سپس آن را بر تعداد مقادیر تقسیم کنید:

(99+86+87+88+111+86+103+87+94+78+77+85+86) / 13 = 89.77

ماژول NumPy دارای یک متد برای این منظور است. درباره ماژول NumPy در آموزش NumPy ما بیشتر بیاموزید.

مثال
از متد mean() در NumPy برای یافتن میانگین سرعت استفاده کنید:

import numpy

speed = [99, 86, 87, 88, 111, 86, 103, 87, 94, 78, 77, 85, 86]

x = numpy.mean(speed)

print(x)

مقدار میانه مقداری است که در وسط قرار دارد، پس از اینکه تمام مقادیر را مرتب کردید:

77, 78, 85, 86, 86, 86, 87, 87, 88, 94, 99, 103, 111

مهم است که اعداد قبل از یافتن میانه مرتب شوند.

ماژول NumPy دارای یک متد برای این منظور است:

مثال
از متد median() در NumPy برای یافتن مقدار میانی استفاده کنید:

import numpy

speed = [99, 86, 87, 88, 111, 86, 103, 87, 94, 78, 77, 85, 86]

x = numpy.median(speed)

print(x)

اگر دو عدد در وسط وجود داشته باشد، مجموع آن اعداد را بر دو تقسیم کنید:

77, 78, 85, 86, 86, 86, 87, 87, 94, 98, 99, 103



(86 + 87) / 2 = 86.5

مثال
استفاده از ماژول NumPy:

import numpy

speed = [99, 86, 87, 88, 86, 103, 87, 94, 78, 77, 85, 86]

x = numpy.median(speed)

print(x)

مقدار نما مقداری است که بیشترین تعداد دفعات ظاهر می‌شود:

99, 86, 87, 88, 111, 86, 103, 87, 94, 78, 77, 85, 86 = 86

ماژول SciPy دارای یک متد برای این منظور است. درباره ماژول SciPy در آموزش SciPy ما بیشتر بیاموزید.

مثال
از متد mode() در SciPy برای یافتن عددی که بیشترین تعداد دفعات ظاهر می‌شود استفاده کنید:

from scipy import stats

speed = [99, 86, 87, 88, 111, 86, 103, 87, 94, 78, 77, 85, 86]

x = stats.mode(speed)

print(x)

میانگین، میانه، و نما تکنیک‌هایی هستند که در یادگیری ماشین به طور مکرر استفاده می‌شوند، بنابراین درک مفهوم پشت آنها اهمیت دارد.