ค่าเฉลี่ย มัธยฐาน และส่วนเบี่ยงเบนมาตรฐานด้วย NumPy
ในบทเรียนนี้ คุณจะคำนวณสถิติเชิงพรรณนาพื้นฐานด้วย NumPy ได้แก่ ค่าเฉลี่ย มัธยฐาน และส่วนเบี่ยงเบนมาตรฐาน
บทนำ
ปัญหาที่ต้องแก้
ลิสต์คะแนน 100 ค่าอ่านแล้วดูไม่ออก เราอยากได้คำตอบเร็ว ๆ สองข้อ: คะแนนส่วนใหญ่อยู่ราว ๆ เท่าไร และคะแนนกระจายกว้างแค่ไหน ค่าเฉลี่ย มัธยฐาน และส่วนเบี่ยงเบนมาตรฐาน ตอบคำถามเหล่านี้ได้พอดี
ลองนึกภาพแบบนี้
ลองนึกภาพนักเรียนยืนเรียงบนเส้นจำนวนตามคะแนนของตัวเอง ค่าเฉลี่ยคือจุดที่เส้นสมดุลพอดี มัธยฐานคือนักเรียนที่ยืนอยู่ตรงกลางแถว ส่วนส่วนเบี่ยงเบนมาตรฐานบอกว่าโดยทั่วไปนักเรียนยืนห่างจากจุดสมดุลแค่ไหน
np.mean(scores)⚖️ จุดสมดุล: 84.0np.median(scores)🧍 นักเรียนที่อยู่ตรงกลาง: 85.0np.std(scores)↔️ ระยะห่างโดยทั่วไปจากจุดสมดุล: 7.13round(..., 2)✂️ ปัดเหลือทศนิยมสองตำแหน่งค่าเฉลี่ยคือผลรวมหารด้วยจำนวนค่า มัธยฐานคือค่าที่อยู่ตรงกลางหลังเรียงลำดับ และส่วนเบี่ยงเบนมาตรฐานวัดว่าโดยทั่วไปค่าต่าง ๆ อยู่ห่างจากค่าเฉลี่ยแค่ไหน
ประเด็นสำคัญ
np.mean(scores)บวกคะแนนห้าค่าแล้วหารด้วย 5: 84.0np.median(scores)เรียงคะแนนแล้วหยิบค่าตรงกลาง: 85.0np.std(scores)วัดการกระจาย และround(..., 2)ปัดให้แสดงเป็น 7.13- ถ้ามีคะแนนต่ำมากสักค่า ค่าเฉลี่ยจะถูกดึงลงมากกว่ามัธยฐานมาก
ใช้เมื่อไร?
- สรุปคะแนน ราคา เวลา และค่าที่วัดได้
- หาค่าแปลก ๆ ที่อยู่ห่างจากค่าเฉลี่ยมาก
- เปรียบเทียบสองกลุ่ม เช่น สองห้องเรียนหรือสองสินค้า
เมื่อไรยังไม่จำเป็น
- ข้อมูลที่มี outlier (ค่าผิดปกติ) สุดขั้ว เช่น รายได้: มัธยฐานบอกค่าทั่วไปได้ดีกว่าค่าเฉลี่ย
- ข้อมูลเป็นกลุ่มตัวอย่างจากประชากรที่ใหญ่กว่า: ใช้
np.std(scores, ddof=1)เพื่อหาส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง
โค้ดตัวอย่าง
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))
ผลลัพธ์จากการรัน
mean: 84.0
median: 85.0
std: 7.13
อธิบายโค้ด
ฟังก์ชัน np.mean(), np.median() และ np.std() คำนวณจากทั้งอาร์เรย์โดยปริยาย ค่าเฉลี่ยของห้องคือ 84.0 คะแนนตรงกลางหลังเรียงคือ 85.0 และส่วนเบี่ยงเบนมาตรฐานราว 7.13 หมายความว่าคะแนนมักห่างจากค่าเฉลี่ยประมาณ 7 คะแนน สำหรับอาร์เรย์หลายมิติ ส่งพารามิเตอร์ axis เพื่อคำนวณตามแถวหรือตามคอลัมน์ได้
เปลี่ยนค่าและรันโปรแกรมด้วย คอมไพเลอร์ Python ออนไลน์ของ CodeUtility โดยไม่ต้องติดตั้ง Python
แบบฝึกหัดเพิ่มเติม
ลองแก้โค้ดตามคำแนะนำด้านล่าง การเปลี่ยนโค้ดแล้วดูผลลัพธ์จะช่วยให้เข้าใจบทเรียนได้ดีกว่าการอ่านอย่างเดียวมาก
- เปลี่ยนรูปร่าง (shape) และชนิดข้อมูล (dtype) ของอาร์เรย์อินพุต
- ทดสอบกับเลขติดลบ ทศนิยม และค่าที่หายไป
- ใช้การคำนวณเดียวกันกับอาร์เรย์หลายมิติที่ใหญ่ขึ้นและจับเวลา
ข้อผิดพลาดที่พบบ่อย
ใช้สูตรของประชากรกับกลุ่มตัวอย่าง
โดยค่าเริ่มต้น np.std หารด้วย n แต่กลุ่มตัวอย่างต้องหารด้วย n - 1
np.std(sample)
np.std(sample, ddof=1)
เรียนบทนี้จบแล้วใช่ไหม
ทำเครื่องหมายว่าเรียนแล้วเพื่อติดตามความคืบหน้า
ฝึกด้วยโจทย์
ใช้สิ่งที่เรียนในบทนี้แก้ปัญหาจริง ทุกโจทย์รันในเบราว์เซอร์ พร้อมการทดสอบทันทีและรีวิวจาก AI
- การปรับมาตรฐานด้วย z-score ทำให้ฟีเจอร์มีค่าเฉลี่ย 0 และส่วนเบี่ยงเบนมาตรฐาน 1 ง่าย
- ค่ามัธยฐานของลิสต์ หาค่ากลางของลิสต์หลังจากเรียงลำดับแล้ว ง่าย
- ค่าเฉลี่ยของอาเรย์ คำนวณค่าเฉลี่ยของรายการตัวเลข ง่าย