简介
随着互联网的普及，整个互联网每天都会产生海量的数据，如何有效地处理这些数据成为了互联网人的必备技能，而 Python 内置的 statistics 模块提供了基本的数据统计操作。
常用功能
mean(data)
mean(data) 用于求给定序列或者迭代器的算术平均数。
import statisticsexample_list = [1,2,3,4,5,6]x = statistics.mean(example_list)print(x) # 输出结果3.5
harmonic_mean(data)
harmonic_mean(data) 用于计算数据的调和均值。
x = statistics.harmonic_mean(example_list)print(x)print(1/sum([1/1,1/2,1/3,1/4,1/5,1/6])*6) # 输出结果2.44897959183673472.448979591836735
median(data)
median(data) 计算数据的中位数。如果有两个中位数，则返回其平均值
x = statistics.median(example_list)print(x) # 输出结果3.5
median_low(data)
median_low(data) 也是用于计算中位数的，如果有两个中位数，返回较小的那个。
x = statistics.median_low(example_list)print(x) # 输出结果3
median_high(data)
median_high(data) 也是用于计算中位数的，如果有两个中位数，返回较大的那个。
x = statistics.median_high(example_list)print(x) # 输出结果4
mode(data)
mode(data) 计算众数，也就是序列中出现次数最多的元素。
x = statistics.mode([1,1,2,3,4,3,3,3,3])print(x) x = statistics.mode(["a","b","c","d","d","a","a",])print(x) # 输出结果3a
pstdev(data, mu=None)
pstdev(data, mu=None) 用于计算数据的总体标准差。其中 mu 是序列的均值，如果你已经知道了该序列的均值，可传入该参数以减少计算量，当然该函数不会去验证你传入的均值是否合法，使用错误的均值可能会产生无效的结果。
x = statistics.pstdev([2,2,2,6])print(x) # 输出结果1.7320508075688772
pvariance(data, mu=None)
pvariance(data, mu=None) 用于计算数据的总体方差。
x = statistics.pvariance([2,2,2,6])print(x) # 输出结果3
stdev(data, xbar=None)
stdev(data, xbar=None) 用于计算数据的样本标准差。其中 xbar 是序列的均值，如果你已经知道了该序列的均值，可传入该参数以减少计算量，当然该函数不会去验证你传入的均值是否合法，使用错误的均值可能会产生无效的结果。
x = statistics.stdev([2,2,2,6])print(x) # 输出结果2.0
variance(data, xbar=None)
variance(data, xbar=None) 用于计算数据的样本方差。
x = statistics.variance([2,2,2,6])print(x) # 输出结果4
statistics 总结
本文总结了 statistics 模块的常规操作，对于数据分析还是非常有益处的。
示例代码：Python-100-days-day040
参考资料
https://docs.python.org/zh-cn/3.7/library/statistics.html
