python空值填充列均值

① python 中 输入一个数值列表,并求出其平均值

a=[1,2,3,4,5,6,7,8,9]
printrece(lambdax,y:x+y,a)/len(a)

以上。

② python Dataframe 对每一列求均值，然后加在最后一行怎么做

您好，我来为您解答： 你可以在R中直接call X，会看到已经改成你要的结果了，第一二列的名字都是“good”。 只是用View 函数查看X的时候，第二列会自动显示为“good.1" 如果我的回答没能帮助您，请继续追问。

③ 用python求数据表中数据的均值与方差

以下为代码：

numstr = input("请输入全部数据：用英文逗号(,)，中文逗号(，)，

空格( )，制表符(tab键)或换行(请一次性复制过来)中的一种统一分隔数据：")

if "," in numstr:

numlist = numstr.split(",")

elif "，" in numstr:

numlist = numstr.split("，")

elif " " in numstr:

numlist = numstr.split(" ")

elif " " in numstr:

numlist = numstr.split(" ")

elif " " in numstr:

numlist = numstr.split(" ")

else:

numlist = [numstr]

numlist = list(map(lambda x:x.strip(",").strip("，").

strip(" ").strip(" ").strip(" "), numlist))

for i in numlist.():

try:

a = float(i)

except:

numlist.remove(i)

print("已过滤字符串：%s"%i)

#好了，上面很多只是方便用户而已（但还是有一些有用的），主要是下面

numlist = list(map(lambda x:float(x), numlist))#所有字符串转为浮点

print("最终数列：",numlist)#输出最终数列，进行核对

average = sum(numlist)/len(numlist)#用数列和除以出列长度得到平均数

variance = 0#方差，先记为0

for i in numlist:#遍历列表

variance += (i - average) ** 2#反正就是公式对吧，先加进去

variance /= len(numlist)#还是公式，那一长串还得除以一个数列长度

print("均值：%.2f 方差：%.2f"%(average, variance))#分两行输出

以下为输出效果：

请输入全部数据：用英文逗号(,)，中文逗号(，)，空格( )，制表符(tab键)或换行(请一次性复制过来)中的一种统一分隔数据：38,22,99,10,99,7, 25,,40

已过滤字符串：

最终数列： [38.0, 22.0, 99.0, 10.0, 99.0, 7.0, 25.0, 40.0]

均值：42.50

方差：1181.75

以下为解析：

平均值的思路就是总和除以列表长度，方差的思路就是把所有的(x-均值)²加起来，最后再除以一个长度即可。

本程序的优点：输入时逗号后出现空格与不小心多打逗号等情况都不会出问题，可以接受小数，可以先输出最终数列以供核对。

④ python计算一个序列的平均值的方法

python计算一个序列的平均值的方法
这篇文章主要介绍了python计算一个序列的平均值的方法,涉及Python递归遍历与数学计算的相关技巧,具有一定参考借鉴价值,分享给大家供大家参考。
具体如下：
def average(seq, total=0.0):
num = 0
for item in seq:
total += item
num += 1
return total / num
如果序列是数组或者元祖可以简单使用下面的代码
def average(seq):
return float(sum(seq)) / len(seq)
希望本文所述对大家的Python程序设计有所帮助。

⑤ 数据分析员用python做数据分析是怎么回事，需要用到python中的那些内容，具体是怎么操作的

大数据！大数据！其实是离不开数据二字，但是总体来讲，自己之前对数据的认知是不太够的，更多是在关注技术的提升上。换句话讲，自己是在做技术，这些技术处理的是数据，而不能算是自己是在做数据的。大规模数据的处理是一个非常大的课题，但是这一点更偏向于是搞技术的。

与数据分析相关的Python库很多，比如Numpy、pandas、matplotlib、scipy等，数据分析的操作包括数据的导入和导出、数据筛选、数据描述、数据处理、统计分析、可视化等等。接下来我们看一下如何利用Python完成数据的分析。
生成数据表
常见的生成方法有两种，第一种是导入外部数据，第二种是直接写入数据，Python支持从多种类型的数据导入。在开始使用Python进行数据导入前需要先导入pandas库，为了方便起见，我们也同时导入Numpy库。代码是最简模式，里面有很多可选参数设置，例如列名称、索引列、数据格式等等。
检查数据表
Python中使用shape函数来查看数据表的维度，也就是行数和列数。你可以使用info函数查看数据表的整体信息，使用dtypes函数来返回数据格式。Isnull是Python中检验空值的函数，你可以对整个数据表进行检查，也可以单独对某一列进行空值检查，返回的结果是逻辑值，包含空值返回True，不包含则返回False。使用unique函数查看唯一值，使用Values函数用来查看数据表中的数值。
数据表清洗
Python中处理空值的方法比较灵活，可以使用Dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充。Python中dtype是查看数据格式的函数，与之对应的是astype函数，用来更改数据格式，Rename是更改列名称的函数，drop_plicates函数删除重复值，replace函数实现数据替换。
数据预处理
数据预处理是对清洗完的数据进行整理以便后期的统计和分析工作，主要包括数据表的合并、排序、数值分列、数据分组及标记等工作。在Python中可以使用merge函数对两个数据表进行合并，合并的方式为inner，此外还有left、right和outer方式。使用ort_values函数和sort_index函数完成排序，使用where函数完成数据分组，使用split函数实现分列。
数据提取
主要是使用三个函数：loc、iloc和ix，其中loc函数按标签值进行提取，iloc按位置进行提取，ix可以同时按标签和位置进行提取。除了按标签和位置提起数据以外，还可以按具体的条件进行数据，比如使用loc和isin两个函数配合使用，按指定条件对数据进行提取。
数据筛选汇总
Python中使用loc函数配合筛选条件来完成筛选功能，配合sum和 count函数还能实现excel中sumif和countif函数的功能。Python中使用的主要函数是groupby和pivot_table。groupby是进行分类汇总的函数，使用方法很简单，制定要分组的列名称就可以，也可以同时制定多个列名称，groupby 按列名称出现的顺序进行分组。

⑥ python如何求列表的平均值

sum函数返回列表和，len函数返回列表长度，剩下的就是一个除法。

⑦ Python编程求平均值的两种方法是

方法一：
scores = [91, 95, 97, 99, 92, 93, 96, 98]
scores2 = []
avg = sum(scores) / len(scores)
print('平均成绩是：{}'.format(avg))
for i in scores:
if i avg># 少于平均分的成绩放到新建的空列表中
scores2.append(i)
print('低于平均成绩的有：{}'.format(scores2))
方法二：
导入函数库
import numpy as np # 导入 numpy库，as 即为导入的库起一个别称，别称为np
scores1 = [91, 95, 97, 99, 92, 93, 96, 98]
scores2 = []
average = np.mean(scores1) # 一行解决。
print('平均成绩是：{}'.format(average))
# 下面展示一种NumPy数组的操作，感兴趣的同学可以自行去学习哈。
scores3 = np.array(scores1)
print('低于平均成绩的有：{}'.format(scores3[scores3

⑧ python如何定义一个函数求列表各项数据平均值

# coding = GBK

a =[1,2,3,4,5]

sum=0

b = len(a)

print("这个数组的长度为：",b)

for i in a:

sum =sum +i

print("这个数组之和为：",sum)

print("这个数组平均数为",sum/b)

或

import sys

sum = 0

cnt = 0

f = open('1.txt', 'r')

files = f.readline()

while (files ):

sum = sum + float(files .split(",")[0])

cnt = cnt + 1

files = f.readline()

print(sum / cnt)

f.close()

或者。

#!/usr/bin/env pythonimport timeimport numpy as np

dd = np.random.randint(0, 20, size=(2*1000*1000))t_start = time.clock()avg_sum1 =

0.0BlockOffset = 0 while BlockOffset < len(dd):

if dd[BlockOffset + 1] <= 10:

avg_sum1 += dd[BlockOffset + 1] * 0.1

else:

avg_sum1 += dd[BlockOffset + 0] * 0.01

BlockOffset += 2print('Avg: ' + str(avg_sum1 / len(dd) / 2)) print('Exe time: ' +

str(time.clock() - t_start))

(8)python空值填充列均值扩展阅读：

python 实现求和、计数、最大最小值、平均值、中位数、标准偏差、百分比。

importsys

classStats:

def__init__(self, sequence):

# sequence of numbers we will process

# convert all items to floats for numerical processing

self.sequence=[float(item)foriteminsequence]

defsum(self):

iflen(self.sequence) <1:

returnNone

else:

returnsum(self.sequence)

defcount(self):

returnlen(self.sequence)

defmin(self):

iflen(self.sequence) <1:

returnNone

else:

returnmin(self.sequence)

defmax(self):

iflen(self.sequence) <1:

returnNone

else:

returnmax(self.sequence)

defavg(self):

iflen(self.sequence) <1:

returnNone

else:

returnsum(self.sequence)/len(self.sequence)

defmedian(self):

iflen(self.sequence) <1:

returnNone

else:

self.sequence.sort()

returnself.sequence[len(self.sequence)//2]

defstdev(self):

iflen(self.sequence) <1:

returnNone

else:

avg=self.avg()

sdsq=sum([(i-avg)**2foriinself.sequence])

stdev=(sdsq/(len(self.sequence)-1))**.5

returnstdev

defpercentile(self, percentile):

iflen(self.sequence) <1:

value=None

elif(percentile >=100):

sys.stderr.write('ERROR: percentile must be < 100. you supplied: %s '%percentile)

value=None

else:

element_idx=int(len(self.sequence)*(percentile/100.0))

self.sequence.sort()

value=self.sequence[element_idx]

returnvalue

⑨ 像Excel一样使用Python（一）

在进行数据处理时，如果数据简单，数量不多，excel是大家的首选。但是当数据众多，类型复杂，需要灵活地显示切片、进行索引、以及排序时，python会更加方便。借助python中的numpy和pandas库，它能快速完成各种任务，包括数据的创建、检查、清洗、预处理、提取、筛选、汇总、统计等。接下来几篇文章，将以excel为参照，介绍python中数据的处理。

提到pandas，那就不得不提两类重要的数据结构，Series和DataFrame，这两类数据结构都是建立在numpy的数组array基础上。与array相比，Series是一个一维的数据集，但是每个数据元素都带有一个索引，有点类似于字典。而DataFrame在数组的基础上，增加了行索引和列索引，类似于Series的字典，或者说是一个列表集。

所以在数据处理前，要安装好numpy , pandas。接下来就看看如何完成一套完整的数据操作。

创建数据表的方法分两种，分别是从外部导入数据，以及直接写入数据。

在python中，也可外部导入xlsx格式文件，使用read_excel()函数：

import pandas as pd

from pandas import DataFrame,Series

data=DataFrame(pd.read_excel('c:/python27/test.xlsx'))

print data

输出：

Gene Size Function

0 arx1 411 NaN

1 arx2 550 monooxygenase

2 arx3 405 aminotransferase

……

即：调用pandas中read_excel属性，来读取文件test.xlsx，并转换成DataFrame格式，赋给变量data。在每一行后，自动分了一个索引值。除了excel，还支持以下格式文件的导入和写入：

Python写入的方法有很多，但还是不如excel方便。常用的例如使用相等长度的字典或numpy数组来创建：

data1 = DataFrame(

{'Gene':['arx1','arx2','arx3'],

'Size':[411,550,405],

'Func':[np.NaN,'monooxygenase','aminotransferase ']})

print data1

输出

Func Gene Size

0 NaN arx1 411

1 monooxyg arx2 550

2 amino arx3 405

分配一个行索引后，自动排序并输出。

在python中，可以使用info()函数查看整个数据的详细信息。

print data.info()

输出

RangeIndex: 7 entries, 0 to 6

Data columns (total 3 columns):

Gene 7 non-null object

Size 7 non-null int64

Function 5 non-null object

dtypes: int64(1), object(2)

memory usage: 240.0+ bytes

None

此外，还可以通过shape, column, index, values, dtypes等函数来查看数据维度、行列组成、所有的值、 数据类型：

print data1.shape

print data1.index

print data1.columns

print data1.dtypes

输出

(3, 3)

RangeIndex(start=0, stop=3, step=1)

Index([u'Func', u'Gene', u'Size'], dtype='object')

Func object

Gene object

Size int64

dtype: object

在excel中可以按“F5”，在“定位条件”中选择“空值”，选中后，输入替换信息，再按“Ctrl+Enter”即可完成替换。

在python中，使用函数 isnull 和 notnull 来检测数据丢失, 包含空值返回True，不包含则返回False。

pd.isnull(data1)

pd.notnull(data1)

也可以使用函数的实例方法，以及加入参数，对某一列进行检查：

print data1['Func'].isnull()

输出

Func Gene Size

0 True False False

1 False False False

2 False False False

再使用fillna对空值进行填充：

data.fillna(value=0)

#用0来填充空值

data['Size'].fillna(data1['Size'].mean())

#用data1中Size列的平均值来填充空值

data['Func']=data['Func'].map(str.strip)

#清理Func列中存在的空格

Excel中可以按“Ctrl+F”，可调出替换对话框，替换相应数据。

Python中，使用replace函数替换：

data['Func'].replace('monooxygenase', 'oxidase')

将Func列中的'monooxygenase'替换成'oxidase'。

Excel中，通过“数据-筛选-高级”可以选择性地看某一列的唯一值。

Python中，使用unique函数查看：

print data['Func'].unique()

输出

[nan u'monooxygenase' u'aminotransferase' u'methyltransferase']

Excel中，通过UPPER、LOWER、PROPER等函数来变成大写、小写、首字母大写。

Python中也有同名函数：

data1['Gene'].str.lower()

Excel中可以通过“数据-删除重复项”来去除重复值。

Python中，可以通过drop_plicates函数删除重复值：

print data['Func'].drop_plicates()

输出

0 NaN

1 monooxygenase

2 aminotransferase

3 methyltransferase

Name: Func, dtype: object

还可以设置“ keep=’last’ ”参数，后出现的被保留，先出现的被删除：

print data['Func'].drop_plicates(keep='last')

输出

2 aminotransferase

3 methyltransferase

6 monooxygenase

8 NaN

Name: Func, dtype: object

内容参考：

Python For Data Analysis

蓝鲸网站分析博客，作者蓝鲸（王彦平）

⑩ python(pandas模块)

1.什么是pandas? numpy模块和pandas模块都是用于处理数据的模块。 numpy主要用于针对数组进行统计计算,处理数字数据比较方便。 pandas除了可以处理数字数据,还可...