python中計算眾數的函數,python眾數

本文目錄一覽：

• 1、Python四捨五入後求眾數
• 2、網上找到的一個python求眾數的程序，為什麼得出的是最大值？怎麼改正？
• 3、169. 求眾數（Python）
• 4、Python pandas用法
• 5、python如何求一個眾數
• 6、numpy 有求眾數的函數嗎

Python四捨五入後求眾數

使用特定代碼求。

眾數是指在統計分布上具有明顯集中趨勢點的數值，代表數據的一般水平。也是一組數據中出現次數最多的數值，有時眾數在一組數中有好幾個，用M表示。

眾數是樣本觀測值在頻數分布表中頻數最多的那一組的組中值，主要應用於大面積普查研究之中。

眾數是在一組數據中，出現次數最多的數據，是一組數據中的原數據，而不是相應的次數。

網上找到的一個python求眾數的程序，為什麼得出的是最大值？怎麼改正？

沒看你的程序，幫你寫了一個。

# coding=utf-8

a = [1,5,2,6,2,5,1,6,6,2,5,1,1,6,2,8,2,0,5,4,1,3]

b = {}

for i in a:

if i in b.keys():

b[i] += 1

else:

b[i] = 1

c = sorted(b.items(), key=lambda x:x[1], reverse=True)

print ‘眾數:’, c[0][0], ‘眾數個數:’, c[0][1]

169. 求眾數（Python）

難度：★☆☆☆☆

類型：數學

給定一個大小為 n 的數組，找到其中的眾數。眾數是指在數組中出現次數大於 ⌊ n/2 ⌋ 的元素。

你可以假設數組是非空的，並且給定的數組總是存在眾數。

示例 1:

輸入: [3,2,3]

輸出: 3

示例 2:

輸入: [2,2,1,1,1,2,2]

輸出: 2

為了找到出現次數最多的數，最簡單的邏輯就是統計每次數字出現的次數，再拿取出其中出現次數最多的數字。該方法道理簡單，但是內存開銷較大。

這道題目所求的眾數的定義與常規概念不同的是，這裡眾數的出現次數要比數組中其他所有元素要多的，根據這個原理，我們將結果變量（res）初始化為數組第一個數，另外準備一個統計變量（count），當這個變量遇到和結果相同的數則加一，否則減一，減為零時更換結果變量為下一個數，由於眾數出現次數多於其他字符，那麼數組遍歷結束後統計變量一定大於零，且此時結果變量中的數即為眾數。

這裡眾數的的出現次數超過其他元素，因此我們將數據進行排序後，最中間的數字一定是眾數。

如有疑問或建議，歡迎評論區留言~

Python pandas用法

在Python中，pandas是基於NumPy數組構建的，使數據預處理、清洗、分析工作變得更快更簡單。pandas是專門為處理表格和混雜數據設計的，而NumPy更適合處理統一的數值數組數據。

使用下面格式約定，引入pandas包：

pandas有兩個主要數據結構：Series和DataFrame。

Series是一種類似於一維數組的對象，它由 一組數據 （各種NumPy數據類型）以及一組與之相關的 數據標籤（即索引） 組成，即index和values兩部分，可以通過索引的方式選取Series中的單個或一組值。

pd.Series(list,index=[ ]) ，第二個參數是Series中數據的索引，可以省略。

Series類型索引、切片、運算的操作類似於ndarray，同樣的類似Python字典類型的操作，包括保留字in操作、使用.get()方法。

Series和ndarray之間的主要區別在於Series之間的操作會根據索引自動對齊數據。

DataFrame是一個表格型的數據類型，每列值類型可以不同，是最常用的pandas對象。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典（共用同一個索引）。DataFrame中的數據是以一個或多個二維塊存放的（而不是列表、字典或別的一維數據結構）。

pd.DataFrame(data,columns = [ ],index = [ ]) ：columns和index為指定的列、行索引，並按照順序排列。

如果創建時指定了columns和index索引，則按照索引順序排列，並且如果傳入的列在數據中找不到，就會在結果中產生缺失值：

數據索引 ：Series和DataFrame的索引是Index類型，Index對象是不可修改，可通過索引值或索引標籤獲取目標數據，也可通過索引使序列或數據框的計算、操作實現自動化對齊。索引類型index的常用方法：

重新索引 ：能夠改變、重排Series和DataFrame索引，會創建一個新對象，如果某個索引值當前不存在，就引入缺失值。

df.reindex(index, columns ,fill_value, method, limit, copy ) ：index/columns為新的行列自定義索引；fill_value為用於填充缺失位置的值；method為填充方法，ffill當前值向前填充，bfill向後填充；limit為最大填充量；copy 默認True，生成新的對象，False時，新舊相等不複製。

刪除指定索引 ：默認返回的是一個新對象。

.drop() ：能夠刪除Series和DataFrame指定行或列索引。

刪除一行或者一列時，用單引號指定索引，刪除多行時用列表指定索引。

如果刪除的是列索引，需要增加axis=1或axis=’columns’作為參數。

增加inplace=True作為參數，可以就地修改對象，不會返回新的對象。

在pandas中，有多個方法可以選取和重新組合數據。對於DataFrame，表5-4進行了總結

適用於Series和DataFrame的基本統計分析函數 ：傳入axis=’columns’或axis=1將會按行進行運算。

.describe() ：針對各列的多個統計匯總，用統計學指標快速描述數據的概要。

.sum() ：計算各列數據的和

.count() ：非NaN值的數量

.mean( )/.median() ：計算數據的算術平均值、算術中位數

.var()/.std() ：計算數據的方差、標準差

.corr()/.cov() ：計算相關係數矩陣、協方差矩陣，是通過參數對計算出來的。Series的corr方法用於計算兩個Series中重疊的、非NA的、按索引對齊的值的相關係數。DataFrame的corr和cov方法將以DataFrame的形式分別返回完整的相關係數或協方差矩陣。

.corrwith() ：利用DataFrame的corrwith方法，可以計算其列或行跟另一個Series或DataFrame之間的相關係數。傳入一個Series將會返回一個相關係數值Series（針對各列進行計算），傳入一個DataFrame則會計算按列名配對的相關係數。

.min()/.max() ：計算數據的最小值、最大值

.diff() ：計算一階差分，對時間序列很有效

.mode() ：計算眾數，返回頻數最高的那（幾）個

.mean() ：計算均值

.quantile() ：計算分位數（0到1）

.isin() ：用於判斷矢量化集合的成員資格，可用於過濾Series中或DataFrame列中數據的子集

適用於Series的基本統計分析函數，DataFrame[列名]返回的是一個Series類型。

.unique() ：返回一個Series中的唯一值組成的數組。

.value_counts() ：計算一個Series中各值出現的頻率。

.argmin()/.argmax() ：計算數據最大值、最小值所在位置的索引位置（自動索引）

.idxmin()/.idxmax() ：計算數據最大值、最小值所在位置的索引（自定義索引）

pandas提供了一些用於將表格型數據讀取為DataFrame對象的函數。下表對它們進行了總結，其中read_csv()、read_table()、to_csv()是用得最多的。

在數據分析和建模的過程中，相當多的時間要用在數據準備上：加載、清理、轉換以及重塑。

在許多數據分析工作中，缺失數據是經常發生的。對於數值數據，pandas使用浮點值NaN（np.nan）表示缺失數據，也可將缺失值表示為NA（Python內置的None值）。

替換值

.replace(old, new) ：用新的數據替換老的數據，如果希望一次性替換多個值，old和new可以是列表。默認會返回一個新的對象，傳入inplace=True可以對現有對象進行就地修改。

刪除重複數據

利用函數或字典進行數據轉換

df.head()：查詢數據的前五行

df.tail()：查詢數據的末尾5行

pandas.cut()

pandas.qcut() 基於分位數的離散化函數。基於秩或基於樣本分位數將變量離散化為等大小桶。

pandas.date_range() 返回一個時間索引

df.apply() 沿相應軸應用函數

Series.value_counts() 返回不同數據的計數值

df.aggregate()

df.reset_index() 重新設置index，參數drop = True時會丟棄原來的索引，設置新的從0開始的索引。常與groupby()一起用

numpy.zeros()

python如何求一個眾數

import numpy as np

a = np.array([1,2,3,1,2,1,1,1,3,2,2,1])

counts = np.bincount(a)

print np.argmax(counts)

1

numpy 有求眾數的函數嗎

pandas有mode()函數是求眾數的

df=pandas.DataFrame({‘key1’:[‘a’,’a’,’b’,’b’,’a’],’key2′:[‘one’,’two’,’one’,’two’,’one’]})

df.mode()

key1 key2

0 a one