<\/p>\n
Centrowanie<\/strong> zbioru danych oznacza odj\u0119cie \u015bredniej warto\u015bci<\/a> ka\u017cdej pojedynczej obserwacji<\/a> w zbiorze danych.<\/span><\/p>\n Po wy\u015brodkowaniu zestawu danych \u015brednia warto\u015b\u0107 zestawu danych wynosi zero.<\/span><\/p>\n Poni\u017csze przyk\u0142ady pokazuj\u0105, jak wy\u015brodkowa\u0107 dane w Pythonie.<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 tablic\u0119 NumPy:<\/span><\/span><\/p>\n Mo\u017cemy zdefiniowa\u0107 funkcj\u0119<\/a> odejmowania \u015bredniej warto\u015bci tablicy od ka\u017cdej indywidualnej obserwacji:<\/span><\/p>\n Wynikowe warto\u015bci s\u0105 wy\u015brodkowanymi warto\u015bciami zbioru danych.<\/span><\/p>\n Poniewa\u017c \u015brednia w oryginalnej tabeli wynosi\u0142a 14, funkcja ta po prostu odj\u0119\u0142a 14 od ka\u017cdej indywidualnej warto\u015bci w oryginalnej tabeli.<\/span><\/p>\n Na przyk\u0142ad:<\/span><\/p>\n I tak dalej.<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c sprawdzi\u0107, czy \u015brednia tabeli wy\u015brodkowanej wynosi zero:<\/span><\/p>\n Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 ramk\u0119 DataFrame pand:<\/span><\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji pandas Apply()<\/strong> do wy\u015brodkowania warto\u015bci ka\u017cdej kolumny w DataFrame:<\/span><\/p>\n Mo\u017cemy nast\u0119pnie sprawdzi\u0107, czy \u015brednia warto\u015b\u0107 ka\u017cdej kolumny wynosi zero:<\/span><\/p>\n \u015arednie kolumn s\u0105 wy\u015bwietlane w notacji naukowej, ale ka\u017cda warto\u015b\u0107 wynosi zasadniczo zero.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje w Pythonie:<\/span><\/p>\n Jak obliczy\u0107 \u015bredni\u0105 obci\u0119t\u0105 w Pythonie<\/a> Centrowanie zbioru danych oznacza odj\u0119cie \u015bredniej warto\u015bci ka\u017cdej pojedynczej obserwacji w zbiorze danych. Po wy\u015brodkowaniu zestawu danych \u015brednia warto\u015b\u0107 zestawu danych wynosi zero. Poni\u017csze przyk\u0142ady pokazuj\u0105, jak wy\u015brodkowa\u0107 dane w Pythonie. Przyk\u0142ad 1: Wy\u015brodkuj warto\u015bci tablicy NumPy Za\u0142\u00f3\u017cmy, \u017ce mamy nast\u0119puj\u0105c\u0105 tablic\u0119 NumPy: import numpy as np #create NumPy array data = np. array ([4, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2508","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Przyk\u0142ad 1: Wy\u015brodkuj warto\u015bci tablicy 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 Przyk\u0142ad 2: Wy\u015brodkuj kolumny ramki danych 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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak obliczy\u0107 \u015bredni b\u0142\u0105d kwadratowy (MSE) w Pythonie<\/a>
Jak obliczy\u0107 \u015bredni\u0105 z wybranych kolumn w Pandach<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"