<\/p>\n
Memusatkan<\/strong> kumpulan data berarti mengurangkan nilai rata-rata<\/a> setiap observasi<\/a> individu dalam kumpulan data.<\/span><\/p>\n Setelah Anda memusatkan kumpulan data, nilai rata-rata kumpulan data tersebut menjadi nol.<\/span><\/p>\n Contoh berikut menunjukkan cara memusatkan data dengan Python.<\/span><\/p>\n Misalkan kita memiliki array NumPy berikut:<\/span><\/span><\/p>\n Kita dapat mendefinisikan fungsi<\/a> untuk mengurangi nilai array rata-rata dari setiap observasi:<\/span><\/p>\n Nilai yang dihasilkan merupakan nilai terpusat dari dataset.<\/span><\/p>\n Karena rata-rata tabel asli adalah 14, fungsi ini hanya mengurangkan 14 dari setiap nilai individual dalam tabel asli.<\/span><\/p>\n Misalnya:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Kita juga dapat memeriksa bahwa rata-rata tabel di tengah adalah nol:<\/span><\/p>\n Misalkan kita memiliki panda DataFrame berikut:<\/span><\/span><\/p>\n Kita dapat menggunakan fungsi pandas apply()<\/strong> untuk memusatkan nilai setiap kolom di DataFrame:<\/span><\/p>\n Kami kemudian dapat memverifikasi bahwa nilai rata-rata setiap kolom adalah nol:<\/span><\/p>\n Rata-rata kolom ditampilkan dalam notasi ilmiah, namun setiap nilai pada dasarnya nol.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya dengan Python:<\/span><\/p>\n Cara menghitung mean terpangkas dengan Python<\/a> Memusatkan kumpulan data berarti mengurangkan nilai rata-rata setiap observasi individu dalam kumpulan data. Setelah Anda memusatkan kumpulan data, nilai rata-rata kumpulan data tersebut menjadi nol. Contoh berikut menunjukkan cara memusatkan data dengan Python. Contoh 1: Pusatkan nilai array NumPy Misalkan kita memiliki array NumPy berikut: import numpy as np #create NumPy array data = np. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Contoh 1: Pusatkan nilai array NumPy<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\n#create NumPy array<\/span>\ndata = np. array<\/span> ([4, 6, 9, 13, 14, 17, 18, 19, 19, 21])\n\n#display mean of array<\/span>\nprint<\/span> ( data.mean<\/span> ())\n\n14.0<\/strong><\/pre>\n #create function to data center\ncenter_function = lambda<\/span> x: x - x. mean<\/span> ()<\/span>\n\n#apply function to original NumPy array\ndata_centered = center_function(data)\n<\/span>\n#view updated Array\nprint<\/span> (data_centered)\n\narray([-10., -8., -5., -1., 0., 3., 4., 5., 5., 7.])\n<\/span><\/span><\/strong><\/pre>\n\n
#display mean of centered array<\/span>\nprint<\/span> ( data_centered.mean<\/span> ())\n\n0.0<\/strong><\/pre>\n Contoh 2: Pusatkan kolom Pandas DataFrame<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [1, 4, 5, 6, 6, 8, 9],\n ' y<\/span> ': [7, 7, 8, 8, 8, 9, 12],\n ' z<\/span> ': [3, 3, 4, 4, 6, 7, 7]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n X Y Z\n0 1 7 3\n1 4 7 3\n2 5 8 4\n3 6 8 4\n4 6 8 6\n5 8 9 7\n6 9 12 7<\/strong><\/pre>\n #center the values in each column of the DataFrame<\/span>\ndf_centered = df. apply<\/span> ( lambda<\/span> x: xx.mean<\/span> ())\n\n#view centered DataFrame<\/span>\nprint<\/span> (df_centered)\n\n\t X Y Z\n0 -4.571429 -1.428571 -1.857143\n1 -1.571429 -1.428571 -1.857143\n2 -0.571429 -0.428571 -0.857143\n3 0.428571 -0.428571 -0.857143\n4 0.428571 -0.428571 1.142857\n5 2.428571 0.571429 2.142857\n6 3.428571 3.571429 2.142857 \n<\/strong><\/pre>\n #display mean of each column in the DataFrame<\/span>\ndf_centered. mean<\/span> ()\n\nx 2.537653e-16\ny-2.537653e-16\nz 3.806479e-16\ndtype:float64\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Menghitung Mean Square Error (MSE) dengan Python<\/a>
Cara menghitung rata-rata kolom yang dipilih di Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"