Exécuter NumPy en ligne

Moyenne, médiane et écart type avec NumPy

Dans cette leçon, vous allez calculer avec NumPy les statistiques descriptives de base : moyenne, médiane et écart type.

  • Intermédiaire
  • 2 min de lecture
  • 1 exemple exécutable

Introduction

Le problème

Une liste de 100 notes est difficile à lire. Vous voulez savoir deux choses rapidement : quelle note est typique, et à quel point les notes sont dispersées. La moyenne, la médiane et l'écart-type répondent exactement à ces questions.

Imaginez-le ainsi

Imaginez des élèves placés sur une droite graduée selon leur note. La moyenne est le point d'équilibre de la droite, la médiane est l'élève au milieu de la file, et l'écart-type dit à quelle distance du point d'équilibre les élèves se tiennent habituellement.

Des élèves sur une droite au code
np.mean(scores)⚖️ Le point d'équilibre : 84.0
np.median(scores)🧍 L'élève du milieu : 85.0
np.std(scores)↔️ La distance typique au centre : 7.13
round(..., 2)✂️ Garder deux décimales
Le centre et la dispersion résument un ensemble de nombres.
En une phrase

La moyenne est la somme divisée par le nombre de valeurs, la médiane est la valeur du milieu après tri, et l'écart-type mesure à quelle distance de la moyenne se trouvent généralement les valeurs.

Points clés

  1. np.mean(scores) additionne les cinq notes et divise par 5 : 84.0.
  2. np.median(scores) les trie et prend celle du milieu : 85.0.
  3. np.std(scores) mesure la dispersion ; round(..., 2) affiche 7.13.
  4. Une seule note très basse ferait bien plus baisser la moyenne que la médiane.

Quand l’utiliser ?

  • Résumer des notes, des prix, des durées et des mesures.
  • Repérer les valeurs inhabituelles, loin de la moyenne.
  • Comparer deux groupes, comme deux classes ou deux produits.

Quand s'en passer

  • Les données avec des valeurs extrêmes, comme les revenus : la médiane décrit mieux une valeur typique que la moyenne.
  • Un échantillon tiré d'une population plus large : utilisez np.std(scores, ddof=1) pour l'écart-type de l'échantillon.

Code d’exemple

Exécuter le code →
main.py
import numpy as np

scores = np.array([72, 81, 85, 90, 92])

print("mean:", np.mean(scores))
print("median:", np.median(scores))
print("std:", round(np.std(scores), 2))
Obtenir un bouton Run pour cet exemple

Résultat de l’exécution

mean: 84.0
median: 85.0
std: 7.13

Explication du code

Les fonctions np.mean(), np.median() et np.std() calculent par défaut sur tout le tableau. La moyenne de la classe est 84.0, la note du milieu après tri est 85.0, et l'écart type d'environ 7.13 signifie que les notes s'éloignent en général d'environ 7 points de la moyenne. Avec un tableau à plusieurs dimensions, vous pouvez passer le paramètre axis pour calculer par ligne ou par colonne.

Modifiez les valeurs et exécutez le programme avec le compilateur Python en ligne CodeUtility, sans installation locale.

Exercices d’approfondissement

Essayez de modifier le code en suivant les pistes ci-dessous. Changer le code et observer le résultat vous fera bien mieux comprendre la leçon que la simple lecture.

  1. Changez la forme (shape) et le type de données (dtype) du tableau d’entrée.
  2. Testez avec des nombres négatifs, des décimaux et des valeurs manquantes.
  3. Appliquez la même opération à un tableau plus grand à plusieurs dimensions et mesurez le temps.
Exécuter dans le compilateur Python →

Erreurs fréquentes

Utiliser la formule de population pour un échantillon

Par défaut, np.std divise par n. Pour un échantillon, il faut diviser par n - 1.

Problème
np.std(sample)
Correction
np.std(sample, ddof=1)

Leçon terminée ?

Marquez-la comme apprise pour suivre votre progression.

S'entraîner avec un défi

Utilisez le contenu de cette leçon pour résoudre un vrai problème. Chaque défi s'exécute dans le navigateur, avec des tests instantanés et une revue par l'IA.

Tous les défis