محاسبات آماری توصیفی با SciPy

import numpy as np

# محاسبه میانگین آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
mean_1d = np.mean(array_1d)

# محاسبه میانگین هر ستون در ماتریس
array_2d = np.array([[۱, ۲, ۳],
                      [۴, ۵, ۶],
                      [۷, ۸, ۹]])
mean_column_wise = np.mean(array_2d, axis=۰)

# محاسبه میانه آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
median_1d = np.median(array_1d)

# محاسبه میانه هر ردیف در ماتریس
array_2d = np.array([[۱, ۲, ۳],
                      [۴, ۵, ۶],
                      [۷, ۸, ۹]])
median_row_wise = np.median(array_2d, axis=۱)

# محاسبه انحراف معیار آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
std_dev_1d = np.std(array_1d)

# محاسبه انحراف معیار هر ستون در ماتریس
array_2d = np.array([[۱, ۲, ۳],
                      [۴, ۵, ۶],
                      [۷, ۸, ۹]])
std_dev_column_wise = np.std(array_2d, axis=۰)

# محاسبه واریانس آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
variance_1d = np.var(array_1d)

# محاسبه واریانس هر ردیف در ماتریس
array_2d = np.array([[۱, ۲, ۳],
                      [۴, ۵, ۶],
                      [۷, ۸, ۹]])
variance_row_wise = np.var(array_2d, axis=۱)

# محاسبه چولگی آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
skew_1d = np.skew(array_1d)

# محاسبه چولگی هر ستون در ماتریس
array_2d = np.array([[۱, ۲, ۳],
                      [۴, ۵, ۶],
                      [۷, ۸, ۹]])
skew_column_wise = np.skew(array_2d, axis=۰)

# محاسبه کشیدگی آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
kurtosis_1d = np.kurtosis(array_1d)

# محاسبه کشیدگی هر ستون در ماتریس
array_2d = np.array([[۱, ۲, ۳],
                      [۴, ۵, ۶],
                      [۷, ۸, ۹]])
kurtosis_column_wise = np.kurtosis(array_2d)

import numpy as np

# محاسبه مقادیر و فرکانس های منحصر به فرد در آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۲۰, ۳۰, ۴۰, ۵۰])
unique_values, unique_counts = np.unique(array_1d, return_counts=True)

# نمایش مقادیر و فرکانس های منحصر به فرد
print("مقادیر منحصر به فرد:", unique_values)
print("فرکانس ها:", unique_counts)

# محاسبه هیستوگرام آرایه تک بعدی
array_1d = np.array([۱۰, ۲۰, ۳۰, ۴۰, ۵۰])
hist, bins = np.histogram(array_1d)

# نمایش مقادیر هیستوگرام و لبه های سطل
print("مقادیر هیستوگرام:", hist)
print("لبه های سطل:", bins)