1. Description de la méthode numpy.var()
La méthode numpy.var() est une fonction fournie par la bibliothèque NumPy en Python, utilisée pour calculer la variance d'un ensemble de données numériques. La variance est une mesure de la dispersion ou de la variabilité des valeurs dans un ensemble de données. Elle représente la moyenne des carrés des écarts entre chaque valeur et la moyenne de l'ensemble de données.
2. Syntaxe et usage de la méthode numpy.var()
Voici la syntaxe et paramètres de la méthode numpy.var() :
Syntaxe
|
1 |
numpy.var(a, axis=None, dtype=None, ddof=0, keepdims=False) |
Paramètres
- a : L'ensemble de données (tableau NumPy, liste ou autre séquence numérique) pour lequel vous souhaitez calculer la variance.
- axis : (Facultatif) L'axe le long duquel la variance doit être calculée si l'entrée a est un tableau multidimensionnel. Si axis n'est pas spécifié, la variance est calculée pour l'ensemble du tableau.
- dtype : (Facultatif) Le type de données désiré pour le calcul de la variance. Par défaut, le type de données est maintenu ou déterminé automatiquement.
- ddof : (Facultatif) Delta degrés de liberté. C'est un paramètre ajustant le calcul de la variance en fonction d'un échantillon plutôt que de la population entière. Par défaut, ddof est réglé sur 0, ce qui signifie que la variance est calculée pour toute la population.
- keepdims : (Facultatif) Si True, les dimensions spécifiées par axis sont conservées dans le tableau de sortie. Si False, les dimensions spécifiées par axis sont réduites.
Valeur de retour
La méthode numpy.var() renvoie la valeur de la variance calculée à partir des données fournies.
3. Exemple d'usages de la méthode numpy.var()
|
1 2 3 4 5 6 7 8 9 |
import numpy as np """ la quantité variance contiendra la variance des données fournies, c'est-à-dire la mesure de leur dispersion par rapport à la moyenne. """ data = np.array([10, 15, 20, 25, 30]) variance = np.var(data) print("Variance :", variance) # output: Variance : 62.5 |
Younes Derfoufi
CRMEF OUJDA
Acheter sur Très Facile !
