Статья Автор: Шахова Соня

критерий С

import csv
with open('Student_Depression_Dataset[1].csv', 'r') as csvfile:  
  a = csvfile.readline().split(',') #заголовки
  re = csv.reader(csvfile) #остальной текст
  h = next(re)
  sq_sum = 0.0
  age = [] #peremennye spiski
  ap = []
  wp = []
  c = []
  ss = []
  js = []
  wsh = []
  fs = []
  for row in re:
        age.append(float(row[2])) #schityvaem po stolbikam
        ap.append(float(row[5]))
        wp.append(float(row[6]))
        c.append(float(row[7]))
        ss.append(float(row[8]))
        js.append(float(row[9]))
        wsh.append(float(row[14]))
        fs.append(float(row[17]))
  print(f'{a[2]}:')
  print(f'мин: {min(age)}')
  print(f'макс: {max(age)}')
  if len(age) % 2 == 0:
   meda = (age[len(age) // 2 - 1] + age[len(age) // 2]) / 2
  else:
   meda = age[len(age) // 2]
  modea = max(set(age), key=age.count)
  mean = sum(age)/len(age)
  print(f'среднее: {mean}')
  print(f'медиана: {meda}')
  print(f'мода: [{modea}]')
  for el in age:
    sq_sum += (el-mean)**2 #считаем сумму квадратов отклонений от среднего арифметического
  disp = sq_sum/(len(age) - 1)
  print(f'дисперсия: {disp}')
  std = disp**0.5
  print(f'стандартное отклонение: {std}')

  print(f'{a[5]}:')
  print(f'мин: {min(ap)}')
  print(f'макс: {max(ap)}')
  if len(ap) % 2 == 0:
   medap = (ap[len(ap) // 2 - 1] + ap[len(ap) // 2]) / 2
  else:
   medap = ap[len(ap) // 2]
  modeap = max(set(ap), key=ap.count)
  meanp = sum(ap)/len(ap)
  print(f'среднее: {meanp}')
  print(f'медиана: {medap}')
  print(f'мода: [{modeap}]')
  for el in age:
    sq_sum += (el-meanp)**2 #считаем сумму квадратов отклонений от среднего арифметического
  dispap = sq_sum/(len(age) - 1)
  print(f'дисперсия: {dispap}')
  stdap = dispap**0.5
  print(f'стандартное отклонение: {stdap}')
  
  print(f'{a[6]}:')
  print(f'мин: {min(wp)}')
  print(f'макс: {max(wp)}')
  if len(wp) % 2 == 0:
   medwp = (wp[len(wp) // 2 - 1] + wp[len(wp) // 2]) / 2
  else:
   medwp = wp[len(wp) // 2]
  modewp = max(set(wp), key=wp.count)
  meanwp = sum(wp)/len(wp)
  print(f'среднее: {meanwp}')
  print(f'медиана: {medwp}')
  print(f'мода: [{modewp}]')
  for el in age:
    sq_sum += (el-meanwp)**2 #считаем сумму квадратов отклонений от среднего арифметического
  dispwp = sq_sum/(len(age) - 1)
  print(f'дисперсия: {dispwp}')
  stdwp = dispwp**0.5
  print(f'стандартное отклонение: {stdwp}')
  
  print(f'{a[7]}:')
  print(f'мин: {min(c)}')
  print(f'макс: {max(c)}')
  if len(c) % 2 == 0:
   medc = (c[len(c) // 2 - 1] + c[len(c) // 2]) / 2
  else:
   medc = ap[len(c) // 2]
  modec = max(set(c), key=c.count)
  meanc = sum(c)/len(c)
  print(f'среднее: {meanc}')
  print(f'медиана: {medc}')
  print(f'мода: [{modec}]')
  for el in age:
    sq_sum += (el-meanc)**2 #считаем сумму квадратов отклонений от среднего арифметического
  dispc = sq_sum/(len(age) - 1)
  print(f'дисперсия: {dispc}')
  stdc = dispc**0.5
  print(f'стандартное отклонение: {stdc}')
  
  print(f'{a[8]}:')
  print(f'мин: {min(ss)}')
  print(f'макс: {max(ss)}')
  if len(ss) % 2 == 0:
   medss = (ss[len(ss) // 2 - 1] + ss[len(ss) // 2]) / 2
  else:
   medss = ss[len(ss) // 2]
  modess = max(set(ss), key=ss.count)
  means = sum(ss)/len(ss)
  print(f'среднее: {means}')
  print(f'медиана: {medss}')
  print(f'мода: [{modess}]')
  for el in age:
    sq_sum += (el-means)**2 #считаем сумму квадратов отклонений от среднего арифметического
  disps = sq_sum/(len(age) - 1)
  print(f'дисперсия: {disps}')
  stds = disps**0.5
  print(f'стандартное отклонение: {stds}')
  
  print(f'{a[9]}:')
  print(f'мин: {min(js)}')
  print(f'макс: {max(js)}')
  if len(js) % 2 == 0:
   medjs = (js[len(js) // 2 - 1] + js[len(js) // 2]) / 2
  else:
   medjs = js[len(js) // 2]
  modejs = max(set(js), key=js.count)
  meanjs = sum(js)/len(js)
  print(f'среднее: {meanjs}')
  print(f'медиана: {medjs}')
  print(f'мода: [{modejs}]')
  for el in age:
    sq_sum += (el-meanjs)**2 #считаем сумму квадратов отклонений от среднего арифметического
  dispjs = sq_sum/(len(age) - 1)
  print(f'дисперсия: {dispjs}')
  stdjs = dispjs**0.5
  print(f'стандартное отклонение: {stdjs}')
  
  print(f'{a[14]}:')
  print(f'мин: {min(wsh)}')
  print(f'макс: {max(wsh)}')
  if len(wsh) % 2 == 0:
   medw = (wsh[len(wsh) // 2 - 1] + wsh[len(wsh) // 2]) / 2
  else:
   medw = wsh[len(wsh) // 2]
  modew = max(set(wsh), key=wsh.count)
  meanw = sum(wsh)/len(wsh)
  print(f'среднее: {meanw}')
  print(f'медиана: {medw}')
  print(f'мода: [{modew}]')
  for el in age:
    sq_sum += (el-meanw)**2 #считаем сумму квадратов отклонений от среднего арифметического
  dispw = sq_sum/(len(age) - 1)
  print(f'дисперсия: {dispw}')
  stdw = dispw**0.5
  print(f'стандартное отклонение: {stdw}')
  
  print(f'{a[17]}:')
  print(f'мин: {min(fs)}')
  print(f'макс: {max(fs)}')
  if len(fs) % 2 == 0:
   medf = (fs[len(fs) // 2 - 1] + fs[len(fs) // 2]) / 2
  else:
   medf = fs[len(fs) // 2]
  modef = max(set(fs), key=fs.count)
  meanf = sum(fs)/len(fs)
  print(f'среднее: {meanf}')
  print(f'медиана: {medf}')
  print(f'мода: [{modef}]')
  for el in age:
    sq_sum += (el-meanf)**2 #считаем сумму квадратов отклонений от среднего арифметического
  dispf = sq_sum/(len(age) - 1)
  print(f'дисперсия: {dispf}')
  stdf = dispf**0.5
  print(f'стандартное отклонение: {stdf}')

Я выбрала датасет Student Depression, который анализирует ответы учеников на различные наводящие вопросы и выдает диагноз, а именно есть у них депрессия или нет. В файле 7 числовых столбиков, которые будут анализироваться.
В датасете программа будет анализировать такие числовые поля, как: age(возраст), academic pressure(академическое давление), CGPA(совокупный средний балл), study satisfaction(удовлетворенность учебой), study hours(часы учебы), financial stress(финансовый стресс), depression(депрессия). Формулы для нахождения минимального min(stress), максимального max(stress), среднего sum(stress) / n, медианы sorted_dep[n // 2] if n % 2 != 0 else (sorted_dep[n // 2 - 1] + sorted_dep[n // 2]) / 2, мода max(set(stress), дисперсия key=stress.count), стандартное отклонение variance_dep 0.5.

Медиана — это значение, которое находится в середине набора данных, упорядоченного по возрастанию. При нечётном количестве данных медиана является одним из значений набора. При чётном количестве данных медиана является средним арифметическим двух значений, расположенных в середине набора.
Мода — это значение в наборе данных, которое встречается чаще всего.
Дисперсия — это сумма квадратов разностей между всеми числами и средними значениями.
Стандартное отклонение — это квадратный корень из дисперсии. Это показатель степени, в которой данные отличаются от среднего.

Прикрепленные файлы
Student_Depression_Dataset[1].csv

Чтобы оставить комментарий нужна авторизация

Печать