python计算大于5%小于95%得均值

要计算大于5%小于95%得均值，可以先使用NumPy库的percentile()函数计算出数据集的第5个百分位数和第95个百分位数，然后筛选出在这个范围内的数据，最后计算这些数据的均值。具体步骤如下：

1. 使用NumPy库导入数据集。
2. 使用NumPy库的percentile()函数计算出数据集的第5个百分位数和第95个百分位数。
3. 使用NumPy库的logical_and()函数筛选出在第5个百分位数和第95个百分位数之间的数据。
4. 使用NumPy库的mean()函数计算筛选后的数据的平均值。

以下是一个示例代码，假设数据集存储在名为data的NumPy数组中，要计算在第5个百分位数和第95个百分位数之间的数据的均值：

import numpy as np

# 导入数据集
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])

# 计算第5个百分位数和第95个百分位数
p5 = np.percentile(data, 5)
p95 = np.percentile(data, 95)

# 筛选出在第5个百分位数和第95个百分位数之间的数据
filtered_data = data[np.logical_and(data >= p5, data <= p95)]

# 计算均值
mean = np.mean(filtered_data)

print("大于5%小于95%的均值：", mean)

这将输出大于5%小于95%的数据的均值。

相关问题

用python实现计算收盘均值价的涨跌幅的均值、标准差，将开盘价涨跌幅、最高价涨跌幅、最低价涨跌幅三组数据分别以下操作：小于等于均值-3倍标准差的数据标记为-3、大于均值-3倍标准差且小于等于均值-2倍标准差的交易价格标记为-2，大于均值-2倍标准差且小于等于均值-1倍标准差的交易价格标记为-1，图形化展示标记数据，即将得到的三组标记数据绘制成三维图

好的，我来解答你的问题。

首先，我们需要获取收盘价、开盘价、最高价和最低价的数据，并计算出收盘价的均值和标准差，以及开盘价、最高价、最低价的涨跌幅。

可以使用pandas库来读取数据，并计算均值和标准差，代码如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv('data.csv')

# 计算收盘价的均值和标准差
close_mean = np.mean(df['收盘价'])
close_std = np.std(df['收盘价'])

# 计算开盘价、最高价、最低价的涨跌幅
df['开盘价涨跌幅'] = (df['开盘价'] - df['收盘价'].shift(1)) / df['收盘价'].shift(1)
df['最高价涨跌幅'] = (df['最高价'] - df['收盘价'].shift(1)) / df['收盘价'].shift(1)
df['最低价涨跌幅'] = (df['最低价'] - df['收盘价'].shift(1)) / df['收盘价'].shift(1)

然后，我们需要根据收盘价的均值和标准差，将开盘价、最高价、最低价的涨跌幅进行标记，代码如下：

# 将开盘价涨跌幅进行标记
df.loc[df['开盘价涨跌幅'] <= close_mean - 3 * close_std, '开盘价标记'] = -3
df.loc[(df['开盘价涨跌幅'] > close_mean - 3 * close_std) & (df['开盘价涨跌幅'] <= close_mean - 2 * close_std), '开盘价标记'] = -2
df.loc[(df['开盘价涨跌幅'] > close_mean - 2 * close_std) & (df['开盘价涨跌幅'] <= close_mean - close_std), '开盘价标记'] = -1

# 将最高价涨跌幅进行标记
df.loc[df['最高价涨跌幅'] <= close_mean - 3 * close_std, '最高价标记'] = -3
df.loc[(df['最高价涨跌幅'] > close_mean - 3 * close_std) & (df['最高价涨跌幅'] <= close_mean - 2 * close_std), '最高价标记'] = -2
df.loc[(df['最高价涨跌幅'] > close_mean - 2 * close_std) & (df['最高价涨跌幅'] <= close_mean - close_std), '最高价标记'] = -1

# 将最低价涨跌幅进行标记
df.loc[df['最低价涨跌幅'] <= close_mean - 3 * close_std, '最低价标记'] = -3
df.loc[(df['最低价涨跌幅'] > close_mean - 3 * close_std) & (df['最低价涨跌幅'] <= close_mean - 2 * close_std), '最低价标记'] = -2
df.loc[(df['最低价涨跌幅'] > close_mean - 2 * close_std) & (df['最低价涨跌幅'] <= close_mean - close_std), '最低价标记'] = -1

最后，我们将得到的三组标记数据绘制成三维图，代码如下：

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

ax.scatter(df['开盘价标记'], df['最高价标记'], df['最低价标记'])

ax.set_xlabel('开盘价标记')
ax.set_ylabel('最高价标记')
ax.set_zlabel('最低价标记')

plt.show()

这样就可以得到三维图，图中的点表示标记的数据，可以根据点的位置判断其属于哪一组标记。

用Python实现读取某个csv文件并将小于等于某个数据均值-3倍标准差的数据标记为-3、大于均值-3倍标准差且小于等于均值-2倍标准差的数据标记为-2，图形化展示标记数据

好的，我可以帮你解决这个问题。

首先，我们需要使用Python中的pandas库来读取csv文件。假设我们的文件名为“data.csv”，并且第一列是交易价格，那么我们可以使用以下代码来读取文件：

import pandas as pd

df = pd.read_csv('data.csv')

接下来，我们可以使用numpy库来计算数据的均值和标准差，并将小于等于均值-3倍标准差和大于均值-3倍标准差且小于等于均值-2倍标准差的数据进行标记。

import numpy as np

mean = df['price'].mean()
std = df['price'].std()

df['price'] = np.where(df['price'] <= (mean - 3 * std), -3, df['price'])
df['price'] = np.where((df['price'] > (mean - 3 * std)) & (df['price'] <= (mean - 2 * std)), -2, df['price'])

最后，我们可以使用matplotlib库来将标记后的数据可视化。

import matplotlib.pyplot as plt

plt.plot(df['price'])
plt.title('Price Marked Data')
plt.show()

这样就可以将标记后的数据以折线图的形式展示出来了。完整代码如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

df = pd.read_csv('data.csv')

mean = df['price'].mean()
std = df['price'].std()

df['price'] = np.where(df['price'] <= (mean - 3 * std), -3, df['price'])
df['price'] = np.where((df['price'] > (mean - 3 * std)) & (df['price'] <= (mean - 2 * std)), -2, df['price'])

plt.plot(df['price'])
plt.title('Price Marked Data')
plt.show()

希望这可以帮到你！