Статья Автор: Шахова Соня
с

# Открываем CSV файл и читаем его содержимое
file = open('Student Depression Dataset.csv', 'r')  # Открываем файл для чтения
data = file.readlines()  # Читаем все строки файла

# Инициализируем переменные для хранения статистики
numeric_columns = []  # Список для хранения числовых значений
min_values = []  # Список для минимальных значений
max_values = []  # Список для максимальных значений
sum_values = []  # Список для сумм значений
count_values = []  # Список для количества значений

# Обрабатываем каждую строку, пропуская заголовок
for i in range(1, len(data)):  # Начинаем с 1, чтобы пропустить заголовок
    row = data[i].strip().split(',')  # Убираем пробелы и разбиваем строку на столбцы

    # Обрабатываем только числовые столбцы (индексы: 2, 5, 6, 7, 8, 9)
    for j in [2, 5, 6, 7, 8, 9]:  # Индексы числовых колонок
        value = float(row[j]) if row[j] else None  # Преобразуем значение в число

        if value is not None:  # Проверяем на наличие значения
            if len(min_values) <= j - 2:  # Если еще не инициализированы списки
                min_values.append(value)  # Устанавливаем минимальное значение
                max_values.append(value)  # Устанавливаем максимальное значение
                sum_values.append(value)   # Устанавливаем сумму значений
                count_values.append(1)     # Увеличиваем количество значений
            else:
                if value < min_values[j - 2]:  # Проверяем на минимальное значение
                    min_values[j - 2] = value
                if value > max_values[j - 2]:  # Проверяем на максимальное значение
                    max_values[j - 2] = value
                sum_values[j - 2] += value      # Добавляем к сумме значений
                count_values[j - 2] += 1        # Увеличиваем количество значений

# Рассчитываем средние значения для каждого числового столбца
mean_values = [sum_val / count_val for sum_val, count_val in zip(sum_values, count_values)] 

# Для медианы и моды нужно создать отдельные списки значений по каждому столбцу
values_for_median_mode = [[] for _ in range(len(count_values))] 

# Заполняем списки для медианы и моды повторно
for i in range(1, len(data)):
    row = data[i].strip().split(',')
    for j in [2, 5, 6, 7, 8, 9]:
        value = float(row[j]) if row[j] else None 
        if value is not None:
            values_for_median_mode[j - 2].append(value)

# Рассчитываем медиану и моду без использования функций
medians = []
modes = []

for values in values_for_median_mode:
    values.sort()  
    n = len(values)
    
    median = values[n // 2] if n % 2 == 1 else (values[n // 2 - 1] + values[n // 2]) / 2
    medians.append(median)

    mode_count = {}
    for v in values:
        if v in mode_count:
            mode_count[v] += 1
        else:
            mode_count[v] = 1
            
    max_count = max(mode_count.values())
    mode_list = [k for k, v in mode_count.items() if v == max_count]
    modes.append(mode_list)

# Рассчитываем дисперсию и стандартное отклонение для каждого числового столбца
variance_values = []
std_dev_values = []

for i in range(len(count_values)):
    mean_value = mean_values[i]
    variance_sum = sum((value - mean_value) ** 2 for value in values_for_median_mode[i])
    variance = variance_sum / count_values[i]
    std_dev = variance ** (1/2)
    
    variance_values.append(variance)
    std_dev_values.append(std_dev)

# Выводим результаты
for i in range(len(min_values)):
    print(f"Column {i + 1}:")
    print(f"Min: {min_values[i]}, Max: {max_values[i]}, Mean: {mean_values[i]}, Median: {medians[i]}, Modes: {modes[i]}, Variance: {variance_values[i]}, Std Dev: {std_dev_values[i]}")
Прикрепленные файлы
Student Depression Dataset.csv
Загрузка...
Чтобы оставить комментарий, необходимо авторизоваться
💬
Пока нет комментариев. Будьте первым!
Печать