<\/p>\n
Centrare<\/strong> un set di dati significa sottrarre il valore medio<\/a> di ogni singola osservazione<\/a> nel set di dati.<\/span><\/p>\n Una volta centrato un set di dati, il valore medio del set di dati diventa zero.<\/span><\/p>\n Gli esempi seguenti mostrano come centrare i dati in Python.<\/span><\/p>\n Supponiamo di avere il seguente array NumPy:<\/span><\/span><\/p>\n Possiamo definire una funzione<\/a> per sottrarre il valore medio dell’array da ogni singola osservazione:<\/span><\/p>\n I valori risultanti sono i valori centrati del set di dati.<\/span><\/p>\n Poich\u00e9 la media della tabella originale era 14, questa funzione ha semplicemente sottratto 14 da ogni singolo valore della tabella originale.<\/span><\/p>\n Per esempio:<\/span><\/p>\n E cos\u00ec via.<\/span><\/p>\n Possiamo anche verificare che la media della tabella centrata \u00e8 zero:<\/span><\/p>\n Supponiamo di avere i seguenti panda DataFrame:<\/span><\/span><\/p>\n Possiamo utilizzare la funzione panda apply()<\/strong> per centrare i valori di ciascuna colonna nel DataFrame:<\/span><\/p>\n Possiamo quindi verificare che il valore medio di ciascuna colonna \u00e8 zero:<\/span><\/p>\n Le medie delle colonne vengono visualizzate in notazione scientifica, ma ogni valore \u00e8 essenzialmente zero.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni in Python:<\/span><\/p>\n Come calcolare una media troncata in Python<\/a> Centrare un set di dati significa sottrarre il valore medio di ogni singola osservazione nel set di dati. Una volta centrato un set di dati, il valore medio del set di dati diventa zero. Gli esempi seguenti mostrano come centrare i dati in Python. Esempio 1: centrare i valori di un array NumPy Supponiamo di […]<\/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 Esempio 1: centrare i valori di un 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 Esempio 2: centrare le colonne di un DataFrame Pandas<\/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 Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare l’errore quadratico medio (MSE) in Python<\/a>
Come calcolare la media delle colonne selezionate in Pandas<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"