##############################################
########   python计算excel平均值和标准差  #######
##############################################
''':数据源格式
编号时间仪器1仪器2仪器3仪器4仪器5仪器6仪器7仪器8仪器9仪器10分组均值标准差
FKQXK-r-02-0120200702100101102103104144106107108201A组
FKQXK-r-02-0220200702100105102103104105106107108202A组
FKQXK-r-02-0320200702100101111151104105117107108203A组
'''
引入库
import xlwings as xw
import xlrd
import math
wb = xw.Book('伽玛数据处理.xls') #这样的话就不会频繁打开新的Excel
引用Excel工作表，单元格
引用工作表
sht = wb.sheets[0] #sht = wb.sheets[第一个sheet名]====伽玛原始记录
引用单元格
rng = sht.range('a1') #rng = sht['a1'] #rng = sht[0,0] 第一行的第一列即a1,相当于pandas的切片
定义函数
def mean(list): #定义平均值函数
sum=0
j=len(list)
for i in list:
sum = sum+ int(i)
return sum/j
def StdEv(list):   #计算标准差函数，参数是列表和平均值
sum = 0.0
n = len(list)   #计算列表长度
for i in list:
sum = sum + int(i)
list_aver=sum / n     #先计算平均值
sum1 = 0.0
for j in range(n):
sum1 += (list[j] - list_aver) ** 2   #差的平方
res = math.sqrt(sum1/n)  #求开方后就是标准差
return res
pass
上面定义函数
引用区域
rng = sht.range('c2:l2')
rng = sht['c']
n2=sht['n2']
list=  sht.range('c2:l2').value
print(list)
print(mean(list))
sht.range('n2').value = mean(sht.range('c2:l2').value)
rng = sht.range('a2').expand('table')
nrows = rng.rows.count #获取总行数，不含标题
for i in range(2,nrows+2):  #nrows+2是因为总行数不含标题，且最后一个不循环
sht.range('n{}'.format(i)).value = mean(sht.range('c{}:l{}'.format(i,i)).value)    #计算均值列
sht.range('o{}'.format(i)).value = StdEv(sht.range('c{}:l{}'.format(i,i)).value)   #计算标准差列
保存工作簿
wb.save('伽玛数据处理_RESULT.xls')
退出工作簿(可省略)
wb.close()
#######end###############

前面环境都搞的差不多了，这次咱们进入实战篇，来计算一列的统计值。统计值主要有最大值、最小值、均值、标准差、中位数、四分位数。话不多说，直接进入正题。
本文介绍使用Excel和Python来计算上述统计值，而Hive和Spark将放在下一篇中。
1、数据介绍
这里咱们使用的是iris分类数据集，数据下载地址为：
http://archive.ics.uci.edu/ml/datasets/Iris
下载后转换为xlsx格式的文件，数据如下：
也可以在公众号后台回复 “iris” 下载相应数据。
2、使用Excel计算统计值
咱们一个个来哈，在使用过程中还是学到了很多东西的，如果你都会了，也建议你看一下，嘻嘻！
2.1 最大值 & 最小值
在Excel统计一列或者指定单元格区间的最大值或最小值，直接使用max和min函数即可：=MAX(A2:A151)
=MIN(A2:A151)
统计结果如下：
2.2 平均值
在Excel统计一列或者指定单元格区间的平均值，直接使用average函数即可：=AVERAGE(A2:A151)
统计结果如下：
2.3 样本标准差 VS 总体标准差
在Excel统计一列或者指定单元格区间的标准差，可就没那么简单了，excel里面共有四个方法：
共四个方法，其实可以分成两组，即统计样本标准差和总体标准差，首先回顾一下二者的计算公式：
总体标准差对应的英文是Population standard deviation , 在Excel中一般使用STDEV.P 或者 STDEVPA方法计算，这里的P便是Population的意思。
样本标准差对应的英文是Sample standard deviation，在Excel中一般使用STDEV.S 或者 STDEVA方法计算，这里的S便是Sample的意思。
这里我们先使用STDEV.P和STDEV.S 分别计算一下总体标准差和样本标准差：=STDEV.P(A2:A151)
=STDEV.S(A2:A151)
结果如下：
接下来说下STDEV.P和 STDEVPA的区别，STDEV.S和STDEVA的区别与其相同。两者区别是 STDEV.P 函数忽略样本中的逻辑值和文本, STDEVPA 不忽略，看下面的结果：
在上面的数据中，如果只计算4个数字的总体标准差，结果当然是0，因为四个数字都是2，所以STDEV.P的结果是0，但是STDEVPA的结果却不是0，因为这个函数将文本和逻辑值False当作0处理，把逻辑值True当作1处理，我们来验证下：
结果印证了咱们刚才的说明。
2.3 中位数
在Excel统计一列或者指定单元格区间的中位数，直接使用MEDIAN函数即可：=MEDIAN(A2:A151)
中位数的计算方法，如果数据量的个数为奇数的话，就是中间的一个数，如果数据量个数为偶数个的话，就是最中间两个数的平均值，咱们这里是150个数，所以是排序后第75个数和76个数的平均值，如feature3，两个数分别是4.3和4.4，所以中位数是4.35：
2.4 四分位数
这里，四分位数计算又有两种方法了：
其中QUARTILE.EXC对应了n+1的方法，QUARTILE.INC对应了n-1的方法。咱们先介绍下计算四分位数的n+1和n-1方法：
对于n+1方法，如果数据量为n，则四分位数的位置为：
Q1的位置= (n+1) × 0.25
Q2的位置= (n+1) × 0.5
Q3的位置= (n+1) × 0.75
对于n-1方法，如果数据量为n，则四分位数的位置为：
Q1的位置=1+（n-1）x 0.25
Q2的位置=1+（n-1）x 0.5
Q3的位置=1+（n-1）x 0.75
可以看到，两种方法计算的Q2的结果是相同的，且与中位数的结果相同。但是Q1和Q3的结果却不相同。如在我们的数据中的feature3。若使用n+1方法，那么Q1的位置为151 * 0.25 = 37.75，如果使用n-1方法，那么Q1的位置为1 + 149 * 0.25 = 38.25。在数据中，第37、38、39个数分别为1.5、1.6、1.6。因此使用n+1方法得到的Q1 = 1.5 * 0.25 + 1.6 * 0.75 = 1.575，而使用n-1方法得到的Q1 = 1.6 * 0.75 + 1.6 * 0.25 = 1.6。
继续说，无论QUARTILE.EXC还是QUARTILE.INC方法，都需要两个两个参数，第一个是指定的单元格区间，第二个是求第几四分位数，如下面是求第一四分位数：=QUARTILE.INC(A2:A151,1)
最终的结果如下：
好了，EXCEL部分的说明先到这里了，接下来用Python来计算一下。
3、使用Python计算统计值
使用Python的话，咱们分为四个方面来介绍，即使用list、numpy和pandas来计算数列的统计值。
3.1 计算List的统计值
这里，我们对原始的list进行操作，除了max和min有现成的方法之外，其余各个统计值的计算，要按照对应的公式进行计算，代码如下：irisdf = pd.read_csv('data/iris.csv')
feature1list = irisdf['feature1'].values.tolist()
max_value_list = max(feature1list)
min_value_list = min(feature1list)
avg_value_list = sum(feature1list) / len(feature1list)
std_value_list = math.sqrt(sum([math.pow(x - avg_value_list,2) for x in feature1list])/len(feature1list))
feature1list = sorted(feature1list)
number_cnt = len(feature1list)
if number_cnt % 2 == 1:
median_value_list = feature1list[(number_cnt-1) // 2]
else:
median_value_list = (feature1list[number_cnt//2] + feature1list[number_cnt // 2-1]) / 2
q1_pos = (number_cnt + 1) * 0.25
q2_pos = (number_cnt + 1) * 0.5
q3_pos = (number_cnt + 1) * 0.75
q1_value_list = feature1list[int(q1_pos) -1] * (1 - q1_pos % 1) + feature1list[int(q1_pos)] * (q1_pos % 1)
q2_value_list = feature1list[int(q2_pos) -1] * (1 - q2_pos % 1) + feature1list[int(q2_pos)] * (q2_pos % 1)
q3_value_list = feature1list[int(q3_pos) -1] * (1 - q3_pos % 1) + feature1list[int(q3_pos)] * (q3_pos % 1)
print("最大值是：" + str(max_value_list))
print("最小值是：" + str(min_value_list))
print("平均值是：" + str(avg_value_list))
print("总体标准差是：" + str(std_value_list))
print("中位数是：" + str(median_value_list))
print("第一四分位数是：" + str(q1_value_list))
print("第二四分位数是：" + str(q2_value_list))
print("第三四分位数是：" + str(q3_value_list))
输出的结果为：最大值是：7.9
最小值是：4.3
平均值是：5.843333333333335
总体标准差是：0.8253012917851409
中位数是：5.8
第一四分位数是：5.1
第二四分位数是：5.8
第三四分位数是：6.4
和excel保持一致。
3.2 使用Numpy计算统计值
使用numpy的话，每个都有对应的函数，咱们直接看看代码，后面会对代码做一些说明：feature1array = np.array(feature1list)
max_value_array = feature1array.max()
min_value_array = feature1array.min()
avg_value_array = feature1array.mean()
std_value_array = feature1array.std(ddof = 0)
sstd_value_array = feature1array.std(ddof = 1)
median_value_array = np.median(feature1array)
q1_value_array = np.percentile(feature1array,25)
q2_value_array = np.percentile(feature1array,50)
q3_value_array = np.percentile(feature1array,75)
print("最大值是：" + str(max_value_array))
print("最小值是：" + str(min_value_array))
print("平均值是：" + str(avg_value_array))
print("总体标准差是：" + str(std_value_array))
print("样本标准差是：" + str(sstd_value_array))
print("中位数是：" + str(median_value_array))
print("第一四分位数是：" + str(q1_value_array))
print("第二四分位数是：" + str(q2_value_array))
print("第三四分位数是：" + str(q3_value_array))
结果输出为：最大值是：7.9
最小值是：4.3
平均值是：5.84333333333
总体标准差是：0.825301291785
样本标准差是：0.828066127978
中位数是：5.8
第一四分位数是：5.1
第二四分位数是：5.8
第三四分位数是：6.4
这里，我们主要对标准差计算和四分位数计算作出说明，对于标准差，使用的是std方法：std_value_array = feature1array.std(ddof = 0)
sstd_value_array = feature1array.std(ddof = 1)
可以看到，我们指定了一个参数ddof，这里ddof=0代表计算总计标准差，ddof=1代表计算样本标准差，默认ddof=0。
计算四分位数使用的是np.percentile方法：q1_value_array = np.percentile(feature1array,25)
q2_value_array = np.percentile(feature1array,50)
q3_value_array = np.percentile(feature1array,75)
首先，第二个参数是整数，而非0.25或者0.5。其次，四分位索引的计算基于我们说的n-1计算方法，可以看下源码中相应的部分：
3.3 使用Pandas计算统计值
使用pandas的话，直接通过describe方法就可以输出我们本文所介绍的一堆统计值：irisdf_describe = irisdf.describe()
print(irisdf_describe)
输出为：
这里已经有最大值、最小值、平均值、四分位数等数据，而这里的标准差是样本标准差，所以我们还需要统计中位数和总体标准差：irisdf_describe = irisdf.describe()
print(irisdf_describe)
median_value_df = irisdf['feature1'].median()
std_value_df = irisdf['feature1'].std(ddof=0)
print("最大值是：" + str(irisdf_describe['feature1']['max']))
print("最小值是：" + str(irisdf_describe['feature1']['min']))
print("平均值是：" + str(irisdf_describe['feature1']['mean']))
print("总体标准差是：" + str(std_value_df))
print("样本标准差是：" + str(irisdf_describe['feature1']['std']))
print("中位数是：" + str(median_value_df))
print("第一四分位数是：" + str(irisdf_describe['feature1']['25%']))
print("第二四分位数是：" + str(irisdf_describe['feature1']['50%']))
print("第三四分位数是：" + str(irisdf_describe['feature1']['75%']))
结果为：最大值是：7.9
最小值是：4.3
平均值是：5.84333333333
总体标准差是：0.825301291785
样本标准差是：0.828066127978
中位数是：5.8
第一四分位数是：5.1
第二四分位数是：5.8
第三四分位数是：6.4
好了，今天的介绍就到这里了，总体来说看似很简单，但还是有很多学问在里面的，好好学习一下吧。

以前的环境几乎完成,这一次我们进入实战章计算统计值的列。主要包括统计值最大,最小,意思是,标准差,中位数和四分位数。不多说,直接进入主题。1. 数据介绍2。让我们使用Excel来计算统计值。我们学到了很多在使用它的过程。如果你擅长它,我建议你看一看,呵呵!最大和最小:直接使用最大和最小函数计算最大值或最小值的列或指定细胞间隔在Excel中:= max (A2: A151) = min (A2: A151)统计结果如下:平均计算列或特定细胞的平均价值区间在Excel中,您可以直接使用平均功能:=平均(A2: A151)统计结果如下:样本标准差与总体标准偏差在Excel统计列或指定的细胞间隙的标准偏差,但它不是那么简单。
首先回顾两个计算公式:总体标准差对应的英语总体标准偏差,一般用于Excel或STDEVPA计算方法,P是人口的意义。对应的英文样本标准差的样本标准偏差,通常在Excel或STDEVA方法用于计算,其中年代表示样本。这里我们首先使用和计算总体标准偏差和样本标准差分别为:(A2: A151) (A2: A151)结果如下:接下来,STDEVPA之间的区别和STDEVA是相同的。两者的区别是,函数忽略了逻辑值和文本的示例中,和STDEPV不忽略它。看看下面的结果:在上面的数据中,如果只有4个数字的总体标准偏差计算,结果当然是0,因为所有四个数字是2,所以结果是0,但STDEVPA不为0的结果,因为这个函数将文本和逻辑值错误,0,和逻辑值1,让我们验证:结果证实了我们的描述。

使用python3读取处理excel表的数据内容如何对内容求平均值
先说下概述：
平就合平均数的值。
(a1 a2 ……an)/na1，a2，……，an的平均值。
简单算均数。么一组数字10、20、30、40、50
那么它们的算术平均值是（10 20 30 40 50）/5=30
所以：
平均值=算术平均值
你还求什么？不用了呀！
如果在excel中求平均值可以用=average(e11:e15)
怎么用python读取txt文件里指定行的内容，并导入excel？
全文使用xlswriter模块写的，也有人使用 xlrd与 xlutils模块实现，不过还未进行验证
import xlsxwriter
workbook = xlsxwriter.Workbook("D:\\Program Files\\subpy\\sql2.xlsx")#在指定目录下创建一个excle
worksheet = workbook.add_worksheet("students")#新建一个sheet
title_index = ["A","B","C","D"]#sheet中的区域
li = [] #定义一个空列表
blod = workbook.add_format({"bold":True})#定义exlce中写入的字体with open("D:\\Program Files\\subpy\\tets.txt",'r') as f1:#打开txt文档
lines = f1.readlines()#读取所有行内容
n = -1#定义一个变量
for x in lines:#逐行读取
n=n 1
li.append(x[:-1]）#去掉回车符
y= x.split#以空格分字符
for i in range(len(title_index)):#读取excle区域下标
# for i,j in enumerate(title_index)：
content = y[i]#单个字符读取
worksheet.write(n,i,content,blod)#分行分列写入workbook.
close#关闭excle
python怎么从excel中读取数据？
VLOOKUP是一个函数，给定一个查找的目标，它就能从指定的查找区域中查找返回想要查找到的值。它的基本语法为：
VLOOKUP（查找目标，查找范围，返回值的列数，精确OR模糊查找)
下面以一个实例来介绍一下这四个参数的使用
例1：如下图所示，要求根据表二中的姓名，查找姓名所对应的年龄。
公式：B13 =VLOOKUP(A13,$B$2:$D$8,3,0)
参数说明：
1 查找目标：就是你指定的查找的内容或单元格引用。本例中表二A列的姓名就是查找目标。我们要根据表二的“姓名”在表一中A列进行查找。
公式：B13 =VLOOKUP(A13,$B$2:$D$8,3,0)
2 查找范围（VLOOKUP(A13,$B$2:$D$8,3,0) ）：指定了查找目标，如果没有说从哪里查找，EXCEL肯定会很为难。所以下一步我们就要指定从哪个范围中进行查找。VLOOKUP的这第二个参数可以从一个单元格区域中查找，也可以从一个常量数组或内存数组中查找。本例中要从表一中进行查找，那么范围我们要怎么指定呢？这里也是极易出错的地方。大家一定要注意，给定的第二个参数查找范围要符合以下条件才不会出错：
A 查找目标一定要在该区域的第一列。本例中查找表二的姓名，那么姓名所对应的表一的姓名列，那么表一的姓名列（列）一定要是查找区域的第一列。象本例中，给定的区域要从第二列开始，即$B$2:$D$8，而不能是$A$2:$D$8。因为查找的“姓名”不在$A$2:$D$8区域的第一列。
B 该区域中一定要包含要返回值所在的列，本例中要返回的值是年龄。年龄列（表一的D列）一定要包括在这个范围内，即：$B$2:$D$8，如果写成$B$2:$C$8就是错的。
3 返回值的列数（B13 =VLOOKUP(A13,$B$2:$D$8,3,0)）。这是VLOOKUP第3个参数。它是一个整数值。它怎么得来的呢。它是“返回值”在第二个参数给定的区域中的列数。本例中我们要返回的是“年龄”，它是第二个参数查找范围$B$2:$D$8的第3列。这里一定要注意，列数不是在工作表中的列数（不是第4列），而是在查找范围区域的第几列。如果本例中要是查找姓名所对应的性别，第3个参数的值应该设置为多少呢。答案是2。因为性别在$B$2:$D$8的第2列中。
4 精确OR模糊查找（VLOOKUP(A13,$B$2:$D$8,3,0)  ），最后一个参数是决定函数精确和模糊查找的关键。精确即完全一样，模糊即包含的意思。第4个参数如果指定值是0或FALSE就表示精确查找，而值为1 或TRUE时则表示模糊。这里兰色提醒大家切记切记，在使用VLOOKUP时千万不要把这个参数给漏掉了，如果缺少这个参数默为值为模糊查找，我们就无法精确查找到结果了。
1、接下来，我们的任务是通过利用VLOOKUP函数来实现查找同学C的成绩。为此在单元格中输入“=VLOOKUP”，此时就会发现VLOOKUP包括三个参数和一个可选参数。
其中“lookup_value”是指要查找的值。
参数“table_array”是指搜索的区域，在此在除标题之后的整个数据区域。
第三个参数“col_index_num”是指整个函数返回单元格所在的列号。
2、最后以右括号结尾，并按回车键，就出现想要的结果啦。