Trung bình, trung vị và độ lệch chuẩn với NumPy
Tóm tắt một dãy điểm số bằng ba con số: điểm giữa ở đâu và các giá trị phân tán thế nào.
- np.mean và np.median
- np.std và ý nghĩa của độ phân tán
- Khi nào trung vị tốt hơn trung bình
mean84.0median85.0 (giá trị đứng giữa)std7.13 (khoảng cách điển hình tới 84)Điểm giữa và độ phân tán
Vấn đề
Một list 100 điểm số rất khó đọc. Bạn muốn hai câu trả lời nhanh: điểm điển hình là bao nhiêu, và các điểm phân tán ra sao? Trung bình, trung vị và độ lệch chuẩn trả lời đúng những câu hỏi đó.
Hình dung đời thường
Hãy tưởng tượng học sinh đứng trên một trục số theo điểm của mình. Trung bình (mean) là điểm cân bằng của cả hàng, trung vị (median) là bạn đứng ở chính giữa hàng, còn độ lệch chuẩn (standard deviation) cho biết các bạn thường đứng cách điểm cân bằng bao xa.
np.mean(scores)⚖️ Điểm cân bằng: 84.0np.median(scores)🧍 Bạn đứng ở giữa: 85.0np.std(scores)↔️ Khoảng cách điển hình tới trung tâm: 7.13round(..., 2)✂️ Giữ hai chữ số thập phânTrung bình là tổng chia cho số lượng, trung vị là giá trị đứng giữa sau khi sắp xếp, còn độ lệch chuẩn đo xem các giá trị thường nằm cách trung bình bao xa.
Những điểm quan trọng
np.mean(scores)cộng năm điểm rồi chia cho 5: 84.0.np.median(scores)sắp xếp các điểm và lấy điểm ở giữa: 85.0.np.std(scores)đo độ phân tán;round(..., 2)hiện ra 7.13.- Chỉ một điểm rất thấp cũng kéo trung bình xuống nhiều hơn hẳn so với trung vị.
Khi nào nên sử dụng?
- Tóm tắt điểm số, giá cả, thời gian và số đo.
- Phát hiện giá trị bất thường nằm xa trung bình.
- So sánh hai nhóm, như hai lớp học hay hai sản phẩm.
Khi nào chưa cần
- Dữ liệu có giá trị cực đoan, như thu nhập: trung vị mô tả mức điển hình tốt hơn trung bình.
- Mẫu lấy từ một tổng thể lớn hơn: dùng
np.std(scores, ddof=1)để có độ lệch chuẩn mẫu.
Code ví dụ
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))
Kết quả khi chạy
mean: 84.0
median: 85.0
std: 7.13
Giải thích code
Các hàm np.mean(), np.median() và np.std() mặc định tính trên toàn bộ mảng. Điểm trung bình của lớp là 84.0, điểm ở giữa khi sắp xếp là 85.0, và độ lệch chuẩn khoảng 7.13 cho biết điểm số thường cách điểm trung bình khoảng 7 điểm. Với mảng nhiều chiều, bạn có thể truyền thêm tham số axis để tính theo hàng hoặc theo cột.
Thay đổi giá trị và chạy chương trình bằng trình chạy Python online của CodeUtility mà không cần cài Python.
Bài tập mở rộng
Hãy thử chỉnh sửa code theo các gợi ý dưới đây. Tự thay đổi và quan sát kết quả sẽ giúp bạn hiểu bài sâu hơn nhiều so với chỉ đọc code.
- Thay đổi kích thước (shape) và kiểu dữ liệu (dtype) của mảng đầu vào.
- Thử với số âm, số thực và giá trị bị thiếu.
- Áp dụng cùng thao tác trên một mảng nhiều chiều lớn hơn và đo thời gian chạy.
Lỗi hay gặp
Dùng công thức tổng thể cho một mẫu
Mặc định np.std chia cho n; với mẫu phải chia cho n - 1.
np.std(sample)
np.std(sample, ddof=1)
Bạn học xong bài này chưa?
Đánh dấu đã học để theo dõi tiến độ của bạn.
Luyện tập với thử thách
Áp dụng kiến thức của bài học này để giải một bài toán thực tế. Mỗi thử thách chạy ngay trên trình duyệt, có kiểm thử tức thì và AI nhận xét.
- Chuẩn hóa z-score Dời một đặc trưng về trung bình 0 và co giãn về độ lệch chuẩn 1. Dễ
- Trung vị của một danh sách Tìm giá trị ở giữa của một danh sách sau khi sắp xếp. Dễ
- Trung Bình Mảng Tính giá trị trung bình của một danh sách số. Dễ