ฟังก์ชันวิทยาศาสตร์ข้อมูล
บทนี้แสดงสามฟังก์ชันที่ใช้โดยทั่วไปเมื่อทำงานกับ Data Science: max(), min() และ mean()
ชุดข้อมูลนาฬิกาสปอร์ต
ระยะเวลา | ค่าเฉลี่ย_Pulse | Max_Pulse | แคลอรี่_เบิร์น | ชั่วโมง_ทำงาน | Hours_Sleep |
---|---|---|---|---|---|
30 | 80 | 120 | 240 | 10 | 7 |
30 | 85 | 120 | 250 | 10 | 7 |
45 | 90 | 130 | 260 | 8 | 7 |
45 | 95 | 130 | 270 | 8 | 7 |
45 | 100 | 140 | 280 | 0 | 7 |
60 | 105 | 140 | 290 | 7 | 8 |
60 | 110 | 145 | 300 | 7 | 8 |
60 | 115 | 145 | 310 | 8 | 8 |
75 | 120 | 150 | 320 | 0 | 8 |
75 | 125 | 150 | 330 | 8 | 8 |
ชุดข้อมูลข้างต้นประกอบด้วยตัวแปร 6 ตัว โดยแต่ละตัวมีการสังเกต 10 ตัว:
- Duration - เซสชั่นการฝึกอบรมใช้เวลานานเท่าใดในหน่วยนาที?
- Average_Pulse - ชีพจรเฉลี่ยของเซสชั่นการฝึกอบรมคืออะไร? ซึ่งวัดจากการเต้นต่อนาที
- Max_Pulse - ชีพจรสูงสุดของเซสชันการฝึกอบรมคืออะไร?
- Calorie_Burnage - จำนวนแคลอรีที่ถูกเผาผลาญในการฝึกซ้อม?
- Hours_Work - เราทำงานที่งานก่อนการฝึกอบรมกี่ชั่วโมง?
- Hours_Sleep - คืนก่อนการฝึกเรานอนเท่าไหร่?
เราใช้ขีดล่าง (_) เพื่อแยกสตริงเนื่องจาก Python ไม่สามารถอ่านช่องว่างเป็นตัวคั่นได้
ฟังก์ชัน max()
ฟังก์ชัน Python max()
ใช้สำหรับค้นหาค่าสูงสุดในอาร์เรย์
ตัวอย่าง
Average_pulse_max = max(80, 85, 90, 95, 100, 105, 110, 115, 120, 125)
print
(Average_pulse_max)
ฟังก์ชัน min()
ฟังก์ชัน Python min()
ใช้สำหรับค้นหาค่าต่ำสุดในอาร์เรย์
ตัวอย่าง
Average_pulse_min = min(80, 85, 90, 95, 100, 105, 110, 115, 120, 125)
print
(Average_pulse_min)
ฟังก์ชัน Mean()
ฟังก์ชัน NumPy mean()
ใช้เพื่อค้นหาค่าเฉลี่ยของอาร์เรย์
ตัวอย่าง
import numpy as np
Calorie_burnage =
[240, 250, 260, 270, 280, 290, 300, 310, 320, 330]
Average_calorie_burnage =
np.mean(Calorie_burnage)
print(Average_calorie_burnage)
เราเขียนnp ข้างหน้าของmeanเพื่อให้ Python รู้ว่าเราต้องการเปิดใช้งานฟังก์ชันmean จาก ไลบรารีNumpy