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)
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)
>>> np.average(a, weights = [1, 2, 1, 1])
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
>>> np.var(a, ddof = 1) # 计算样本方差
24.666666666666668
>>> b = [[4, 5], [6, 7]]
[[4, 5], [6, 7]]
>>> np.var(b) # 计算矩阵所有元素的方差
>>> 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'])
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： 
    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
>>> 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
                    文章目录1. Numpy  计算均值、方差、标准差2. Pandas  计算均值、方差、标准差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：&gt;&gt;&gt; import numpy as np&gt;&gt;&gt; a =...
标准差：典型实例：
二、利用Numpy模块计算均值、方差、标准差等
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：
若计算 某一行或某一列的平均值，则可以使用  选取该行或该列数据，后面跟 就能得到，例如：
pandas 中的 可以计算 样本方差（注意不是），可以得到 样.....
				利用python实现方差分析
	方差分析是一种常用的对数据进行分析的方法，用于两个及两个以上样本均数和方差差别的显著性检验。本文介绍单因素方差分析和双因素方差分析。
	方差分析存在三个假设：
			1、各样本总体服从正态分布。
			2、各样本总体方差一样。
			3、各样本总体相互独立。
单因素方差分析
	单因素方差分析就是在只有一种影响因素下判断各个样本间的均值差别的显著性。
	数据会...
方差是与平均值的平方偏差的平均值，即 var = mean(abs(x - x.mean())**2)。例子：1
>>> a = np.array([[1, 2], [3, 4]])
>>> np.var(a)
>>> np.var(a, axis=0)  #...