Python 中的 numpy 包 和 pandas 包都能够计算均值、方差等，本文总结一下它们的用法。
#1. Numpy 计算均值、方差、标准差
一般的均值可以用 numpy 中的 mean 方法求得：
>>> import numpy as np>>> a = [5, 6, 16, 9]>>> np.mean(a)9.0 numpy 中的 average 方法不仅能求得简单平均数，也可以求出加权平均数。average 里面可以跟一个 weights 参数，里面是一个权数的数组，例如：
>>> np.average(a)>>> 9.0>>> np.average(a, weights = [1, 2, 1, 1])>>> 8.4 计算方差时，可以利用 numpy 中的 var 函数，默认是总体方差（计算时除以样本数 N），若需要得到样本方差（计算时除以 N – 1），需要跟参数 ddo f= 1，例如
>>> import pnumpy as np>>> a = [5, 6, 16, 9]>>> np.var(a) # 计算总体方差18.5 >>> np.var(a, ddof = 1) # 计算样本方差24.666666666666668 >>> b = [[4, 5], [6, 7]]>>> b[[4, 5], [6, 7]] >>> np.var(b) # 计算矩阵所有元素的方差1.25 >>> np.var(b, axis = 0) # 计算矩阵每一列的方差array([1., 1.]) >>> np.var(b, axis = 1) # 计算矩阵每一行的方差array([0.25, 0.25]) 计算标准差时，可以利用 numpy 中的 std 函数，使用方法与 var 函数很像，默认是总体标准差，若需要得到样本标准差，需要跟参数 ddof =1，
>>> import pnumpy as np>>> a = [5, 6, 16, 9]>>> np.std(a) # 计算总体标准差4.301162633521313 >>> np.std(a, ddof = 1 ) # 计算样本标准差4.96655480858378 >>> np.std(b) # 计算矩阵所有元素的标准差1.118033988749895 >>> np.std(b, axis = 0) # 计算矩阵每一列的标准差array([1., 1.]) >>> np.std(b, axis = 1) # 计算矩阵每一列的标准差array([0.5, 0.5]) #2. Pandas 计算均值、方差、标准差
对于 pandas ，也可以用里面的 mean 函数可以求得所有行或所有列的平均数，例如：
>>> import pandas as pd>>> df = pd.DataFrame(np.array([[85, 68, 90], [82, 63, 88], [84, 90, 78]]), columns=['统计学', '高数', '英语'], index=['张三', '李四', '王五'])>>> df统计学高数英语张三 856890李四 826388王五 849078 >>> df.mean() # 显示每一列的平均数 统计学83.666667高数 73.666667英语 85.333333dtype: float64 >>> df.mean(axis = 1) # 显示每一行的平均数张三81.000000李四77.666667王五84.000000dtype: float64 若要得到某一行或某一列的平均值，则可以使用 iloc 选取改行或该列数据，后面跟 mean 函数就能得到，例如：
>>> df统计学高数英语张三 856890李四 826388王五 849078 >>> df.iloc[0, :].mean()# 得到第 1 行的平均值81.0 >>> df.iloc[:, 2].mean() # 得到第 3 列的平均值85.33333333333333 pandas 中的 var 函数可以得到样本方差（注意不是总体方差），std 函数可以得到样本标准差，若要得到某一行或某一列的方差，则也可用 iloc 选取某行或某列，后面再跟 var 函数或 std 函数即可，例如：
>>> df.var() # 显示每一列的方差统计学2.333333高数 206.333333英语41.333333dtype: float64 >>> df.var(axis = 1) # 显示每一行的方差张三133.000000李四170.333333王五 36.000000dtype: float64 >>> df.std() # 显示每一列的标准差统计学 1.527525高数 14.364308英语6.429101dtype: float64 >>> df.std(axis = 1) # 显示每一行的标准差张三11.532563李四13.051181王五 6.000000dtype: float64 >>> df.iloc[0, :].std() # 显示第 1 行的标准差11.532562594670797 >>> df.iloc[:, 2].std() # 显示第 3 列的标准差6.429100507328636题外话
在此疾速成长的科技元年，编程就像是许多人通往无限可能世界的门票。而在编程语言的明星阵容中，Python就像是那位独领风 骚的超级巨星， 以其简洁易懂的语法和强大的功能，脱颖而出，成为全球最炙手可热的编程语言之一。
Python 的迅速崛起对整个行业来说都是极其有利的 ，但“人红是非多”，导致它平添了许许多多的批评，不过依旧挡不住它火爆的发展势头。
如果你对Python感兴趣，想要学习pyhton，这里给大家分享一份Python全套学习资料，都是我自己学习时整理的，希望可以帮到你，一起加油！
有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取
CSDN大礼包：全网最全《Python学习资料》免费分享（安全链接，放心点击）
1️⃣零基础入门
① 学习路线
对于从来没有接触过Python的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
② 路线对应学习视频
还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~
③练习题
每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
2️⃣国内外Python书籍、文档
① 文档和书籍资料
3️⃣Python工具包+项目源码合集
①Python工具包
学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
②Python实战案例
光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
③Python小游戏源码
如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
4️⃣Python面试题
我们学会了Python之后，有了技能就可以出去找工作啦！下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
5️⃣Python兼职渠道
而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
上述所有资料 ⚡️ ，朋友们如果有需要的，可以扫描下方二维码免费领取