Describir una array NumPy en Python

NumPy es una biblioteca de Python utilizada para la computación numérica. Ofrece arrays multidimensionales robustas como un objeto de Python junto con una variedad de funciones matemáticas. En este artículo, repasaremos todas las funciones esenciales de NumPy utilizadas en el análisis descriptivo de una array. Comencemos inicializando una array de muestra para nuestro análisis.

El siguiente código inicializa una array NumPy:

import numpy as np
 
 
# sample array
arr = np.array([4, 5, 8, 5, 6, 4,
                9, 2, 4, 3, 6])
print(arr)

Producción: 

[4 5 8 5 6 4 9 2 4 3 6]

Para describir nuestra array NumPy, necesitamos encontrar dos tipos de estadísticas:

• Medidas de tendencia central.
• Medidas de dispersión.

Medidas de tendencia central

Los siguientes métodos se utilizan para encontrar medidas de tendencia central en NumPy:

• mean()- toma una array NumPy como argumento y devuelve la media aritmética de los datos.

np.mean(arr)

• mediana() – toma una array NumPy como argumento y devuelve la mediana de los datos.

 np.median(arr)

El siguiente ejemplo ilustra el uso de los métodos mean() y mediana().

Ejemplo:

import numpy as np
 
 
arr = np.array([4, 5, 8, 5, 6, 4,
                9, 2, 4, 3, 6])   
 
# measures of central tendency
mean = np.mean(arr)
median = np.median(arr)
 
print("Array =", arr)
print("Mean =", mean)
print("Median =", median)

Producción: 

Array = [4 5 8 5 6 4 9 2 4 3 6]
Mean = 5.09090909091
Median = 5.0

Medidas de dispersión

Los siguientes métodos se utilizan para encontrar medidas de dispersión en NumPy: 

• amin()- toma una array NumPy como argumento y devuelve el mínimo.

np.amin(arr)

• amax()- toma una array NumPy como argumento y devuelve el máximo.

np.amax(arr)

• ptp(): toma una array NumPy como argumento y devuelve el rango de los datos.

np.ptp(arr)

• var()- toma una array NumPy como argumento y devuelve la varianza de los datos.

np.var(arr)

• std(): toma una array NumPy como argumento y devuelve la variación estándar de los datos.

np.std(arr)

Ejemplo: El siguiente código ilustra los métodos amin(), amax(), ptp(), var() y std(). 

import numpy as np
 
 
arr = np.array([4, 5, 8, 5, 6, 4,
                9, 2, 4, 3, 6])
 
# measures of dispersion
min = np.amin(arr)
max = np.amax(arr)
range = np.ptp(arr)
variance = np.var(arr)
sd = np.std(arr)
 
print("Array =", arr)
print("Measures of Dispersion")
print("Minimum =", min)
print("Maximum =", max)
print("Range =", range)
print("Variance =", variance)
print("Standard Deviation =", sd)

Producción:

Array = [4 5 8 5 6 4 9 2 4 3 6]
Measures of Dispersion
Minimum = 2
Maximum = 9
Range = 7
Variance = 3.90082644628
Standard Deviation = 1.9750509984

Ejemplo: ahora podemos combinar los ejemplos mencionados anteriormente para obtener un análisis descriptivo completo de nuestra array.

import numpy as np 
 
 
arr = np.array([4, 5, 8, 5, 6, 4,
                9, 2, 4, 3, 6])   
 
# measures of central tendency
mean = np.mean(arr)
median = np.median(arr)
 
# measures of dispersion
min = np.amin(arr)
max = np.amax(arr)
range = np.ptp(arr)
variance = np.var(arr)
sd = np.std(arr)
 
print("Descriptive analysis")
print("Array =", arr)
print("Measures of Central Tendency")
print("Mean =", mean)
print("Median =", median)
print("Measures of Dispersion")
print("Minimum =", min)
print("Maximum =", max)
print("Range =", range)
print("Variance =", variance)
print("Standard Deviation =", sd)

Producción:

Descriptive analysis
Array = [4 5 8 5 6 4 9 2 4 3 6]
Measurements of Central Tendency
Mean = 5.09090909091
Median = 5.0
Minimum = 2
Maximum = 9
Range = 7
Variance = 3.90082644628
Standard Deviation = 1.9750509984