NUMPY
CÁC CHỦ ĐỀ
BÀI MỚI NHẤT
MỚI CẬP NHẬT

Thông báo: Download 4 khóa học Python từ cơ bản đến nâng cao tại đây.

Cách sử dụng hàm std() trong NumPy

Trong bài viết này, bạn sẽ học cách sử dụng hàm numpy std() để tính độ lệch chuẩn, một chỉ số thống kê quan trọng giúp đo lường mức độ phân tán của các phần tử trong một mảng dữ liệu. Độ lệch chuẩn cho biết mức độ mà các giá trị trong một tập dữ liệu khác biệt so với giá trị trung bình của tập dữ liệu đó. Việc hiểu và sử dụng đúng công cụ này sẽ giúp bạn phân tích và đánh giá dữ liệu một cách chính xác hơn. Hãy cùng khám phá cách tính toán độ lệch chuẩn với NumPy trong Python qua các ví dụ cụ thể.

test php

banquyen png
Bài viết này được đăng tại freetuts.net, không được copy dưới mọi hình thức.

Giới thiệu về hàm std() trong NumPy

Độ lệch chuẩn đo lường mức độ phân tán của các phần tử trong một mảng. Các phần tử càng phân tán, độ lệch chuẩn càng lớn.

Độ lệch chuẩn là căn bậc hai của phương sai. Để tính phương sai, bạn có thể tham khảo hướng dẫn về hàm numpy var().

Để tính độ lệch chuẩn, bạn có thể sử dụng hàm numpy std() như sau:

Bài viết này được đăng tại [free tuts .net]

numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>, *, where=<no value>)

Hàm std() có nhiều tham số nhưng trong hướng dẫn này, chúng ta chỉ tập trung vào tham số đầu tiên.

Ví dụ về hàm std() trong NumPy

Giả sử bạn có danh sách các cây với đường kính lớn nhất. Cột đầu tiên hiển thị tên cây và cột thứ hai hiển thị đường kính tương ứng của nó (tính bằng feet):

Tên cây Đường kính (Feet)
Thimmamma Marrimanu 591
Monkira Monster 239
Oriental Plane Tree at Corsham Court 210
Saman de Guere 207
The Big Tree 201
Shugborough Yew 182
Moreton Bay Fig Tree 176
The Pechanga Great Oak 176
El Gigante 175
Benaroon 170
The E. O. Hunt Oak 170
The Lansdowne Sycamore 169
The Glencoe Tree 168

Ví dụ sau sử dụng hàm std() để tính độ lệch chuẩn của đường kính các cây trên:

import numpy as np

diameters = np.array([591, 239, 210, 207, 201, 182,
                      176, 176, 175, 170, 170, 169, 168])
result = np.std(diameters)
print(round(result, 1))

Kết quả xuất ra sẽ là:

109.6

Giải thích hàm std() trong NumPy

Đầu tiên, tạo một mảng chứa đường kính của các cây:

diameters = np.array([591, 239, 210, 207, 201, 182,
                      176, 176, 175, 170, 170, 169, 168])

Tiếp theo, tính độ lệch chuẩn của các đường kính sử dụng hàm std():

result = np.std(diameters)

Cuối cùng, làm tròn giá trị độ lệch chuẩn và hiển thị nó:

print(round(result, 1))

Bằng cách sử dụng độ lệch chuẩn, chúng ta có một cách "chuẩn" để biết cây nào có đường kính bình thường, và cây nào có đường kính lớn hoặc nhỏ.

Kết bài

Bằng cách sử dụng hàm numpy std(), bạn có thể dễ dàng tính toán độ lệch chuẩn, một chỉ số quan trọng trong thống kê giúp đo lường mức độ phân tán của dữ liệu. Việc hiểu rõ và áp dụng đúng công cụ này không chỉ giúp bạn có cái nhìn sâu sắc hơn về dữ liệu mà còn hỗ trợ bạn trong việc ra quyết định dựa trên các phân tích chính xác. Qua bài viết này đã giới thiệu cách sử dụng hàm numpy std() với các ví dụ minh họa cụ thể, giúp bạn nắm vững cách tính toán độ lệch chuẩn trong Python. Hãy áp dụng kiến thức này vào các bài toán thực tế của bạn để tối ưu hóa quá trình phân tích dữ liệu.

Cùng chuyên mục:

Sử dụng câu lệnh raise from trong Python

Sử dụng câu lệnh raise from trong Python

Ngoại lệ tùy chỉnh trong Python

Ngoại lệ tùy chỉnh trong Python

Ngoại lệ Raise trong Python

Ngoại lệ Raise trong Python

Tìm hiểu về các ngoại lệ trong Python

Tìm hiểu về các ngoại lệ trong Python

Tìm hiểu về decorator dataclass trong Python

Tìm hiểu về decorator dataclass trong Python

Ví dụ sử dụng metaclass trong Python

Ví dụ sử dụng metaclass trong Python

Lớp Metaclass trong Python

Lớp Metaclass trong Python

Tìm hiểu về Class Type trong Python

Tìm hiểu về Class Type trong Python

Phương thức __new__ trong Python

Phương thức __new__ trong Python

Phân biệt Data Descriptor và Non-data Descriptor trong Python

Phân biệt Data Descriptor và Non-data Descriptor trong Python

Mô tả Descriptors trong Python

Mô tả Descriptors trong Python

Tìm hiểu về các lớp mixin trong Python

Tìm hiểu về các lớp mixin trong Python

Đa kế thừa trong Python

Đa kế thừa trong Python

Nguyên tắc đảo ngược sự phụ thuộc trong Python

Nguyên tắc đảo ngược sự phụ thuộc trong Python

Interface Segregation Principle - ISP trong Python.

Interface Segregation Principle - ISP trong Python.

Nguyên tắc thay thế Liskov - LSP trong Python

Nguyên tắc thay thế Liskov - LSP trong Python

Nguyên tắc Đóng-Mở trong Python

Nguyên tắc Đóng-Mở trong Python

Single Responsibility Principle trong Python

Single Responsibility Principle trong Python

Cách sử dụng hàm Auto() của Python

Cách sử dụng hàm Auto() của Python

Tùy chỉnh và mở rộng lớp Enum trong Python

Tùy chỉnh và mở rộng lớp Enum trong Python

Top