{"id":2155,"date":"2023-07-23T11:19:27","date_gmt":"2023-07-23T11:19:27","guid":{"rendered":"https:\/\/statorials.org\/pl\/sredni-rozmiar-w-pythonie\/"},"modified":"2023-07-23T11:19:27","modified_gmt":"2023-07-23T11:19:27","slug":"sredni-rozmiar-w-pythonie","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/sredni-rozmiar-w-pythonie\/","title":{"rendered":"Jak obliczy\u0107 \u015bredni\u0105 obci\u0119t\u0105 w pythonie (z przyk\u0142adami)"},"content":{"rendered":"

<\/p>\n

\n

\u015arednia obci\u0119ta<\/strong> to \u015brednia ze zbioru danych, kt\u00f3ra zosta\u0142a obliczona po usuni\u0119ciu okre\u015blonego procentu najmniejszych i najwi\u0119kszych warto\u015bci w zbiorze danych.<\/span><\/p>\n

Naj\u0142atwiejszym sposobem obliczenia \u015bredniej obci\u0119tej w Pythonie jest u\u017cycie funkcji trim_mean()<\/strong> z biblioteki SciPy.<\/span><\/p>\n

Ta funkcja wykorzystuje nast\u0119puj\u0105c\u0105 podstawow\u0105 sk\u0142adni\u0119:<\/span><\/p>\n

 from<\/span> scipy import<\/span> stats\n\n#calculate 10% trimmed mean\n<\/span>stats. trim_mean<\/span> (data, 0.1<\/span> )\n<\/strong><\/pre>\n
 Poni\u017csze przyk\u0142ady pokazuj\u0105, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119 do obliczenia \u015bredniej obci\u0119tej.<\/span><\/p>\n
 Przyk\u0142ad 1: Oblicz \u015bredni\u0105 obci\u0119t\u0105 tabeli<\/strong><\/span><\/h3>\n
 Poni\u017cszy kod pokazuje, jak obliczy\u0107 10% \u015bredni\u0105 obci\u0119t\u0105 dla tabeli danych:<\/span><\/p>\n
 from<\/span> scipy import<\/span> stats\n\n#define data\n<\/span>data = [22, 25, 29, 11, 14, 18, 13, 13, 17, 11, 8, 8, 7, 12, 15, 6, 8, 7, 9, 12]\n\n#calculate 10% trimmed mean<\/span>\nstats. trim_mean<\/span> (data, 0.1<\/span> )\n\n12,375\n<\/strong><\/pre>\n
 10% \u015brednia obci\u0119ta wynosi 12,375<\/strong> .<\/span><\/p>\n
 Jest to \u015brednia ze zbioru danych po usuni\u0119ciu ze zbioru najmniejszych 10% i najwi\u0119kszych 10% warto\u015bci.<\/span><\/p>\n
 Przyk\u0142ad 2: Oblicz \u015bredni\u0105 obci\u0119t\u0105 kolumny w Pandach<\/strong><\/span><\/h3>\n
 Poni\u017cszy kod pokazuje, jak obliczy\u0107 5% \u015bredni\u0105 obci\u0119t\u0105 dla okre\u015blonej kolumny w ramce DataFrame pandy:<\/span><\/p>\n
 from<\/span> scipy import<\/span> stats\nimport<\/span> pandas as<\/span> pd\n\n#define DataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': [25, 12, 15, 14, 19, 23, 25, 29],\n                   ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n                   ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\n\n#calculate 5% trimmed mean of points<\/span>\nstats. trim_mean<\/span> (df. points<\/span> , 0.05<\/span> ) \n\n20.25<\/strong><\/pre>\n
 5% \u015brednia obci\u0119ta warto\u015bci w kolumnie \u201epunkty\u201d wynosi 20,25<\/strong> .<\/span><\/p>\n
 Jest to \u015brednia z kolumny \u201epunkty\u201d po odj\u0119ciu 5% najmniejszych i 5% najwi\u0119kszych warto\u015bci.<\/span><\/p>\n
 Przyk\u0142ad 3: Oblicz \u015bredni\u0105 obci\u0119t\u0105 wielu kolumn<\/strong><\/span><\/h3>\n
 Poni\u017cszy kod pokazuje, jak obliczy\u0107 5% \u015bredni\u0105 obci\u0119t\u0105 dla wielu kolumn w ramce DataFrame pandy:<\/span><\/p>\n
 from<\/span> scipy import<\/span> stats\nimport<\/span> pandas as<\/span> pd\n\n#define DataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': [25, 12, 15, 14, 19, 23, 25, 29],\n                   ' assists<\/span> ': [5, 7, 7, 9, 12, 9, 9, 4],\n                   ' rebounds<\/span> ': [11, 8, 10, 6, 6, 5, 9, 12]})\n\n\n#calculate 5% trimmed mean of 'points' and 'assists' columns<\/span>\nstats. trim_mean<\/span> (df[[' points<\/span> ', ' assists<\/span> ']], 0.05<\/span> )\n\narray([20.25, 7.75])\n<\/strong><\/pre>\n
 Z wyniku mo\u017cemy zobaczy\u0107:<\/span><\/p>\n