math et statistics — Calcul sur une valeur et agrégation de données

Cet article cible les modules numériques de Python pour le cas courant où le `float` standard suffit. math gère les opérations sur une seule valeur (racines carrées, logarithmes, fonctions trigonométriques) ; statistics gère l'agrégation d'une séquence de nombres (moyenne, médiane, écart-type). Quand il faut éviter strictement les erreurs de virgule flottante, le prochain article sur decimal / fractions est l'endroit indiqué.

math — Opérations sur un seul nombre

math est la bibliothèque standard pour les opérations sur un seul nombre. math.sqrt pour les racines carrées, math.floor / math.ceil pour arrondir vers le bas / le haut, math.log pour les logarithmes, math.sin / math.cos pour la trigonométrie — toutes les fonctions mathématiques classiques sont là. Le module expose aussi des constantes en attributs comme math.pi et math.e (pi et la base du logarithme népérien).

import math

print(math.sqrt(16))         # 4.0  (float)
print(math.floor(3.7))       # 3    (int)
print(math.ceil(3.2))        # 4    (int)
print(math.log(100, 10))     # 2.0
print(math.pi)               # 3.141592653589793
print(round(math.pi, 4))     # 3.1416  (arrondi à 4 décimales)

Essaie les fonctions et constantes de math les plus courantes.

① Importe math.

② Calcule la racine carrée de 16 avec math.sqrt et affiche-la sous la forme sqrt(16): ◯.◯.

③ Calcule floor de 3.7 et ceil de 3.2 avec math.floor / math.ceil, et affiche-les sous la forme floor: ◯ ceil: ◯.

④ Arrondis math.pi à 4 décimales et affiche-le sous la forme pi (4 dp): ◯.◯◯◯◯.

(Si ton code s'exécute correctement, l'explication apparaîtra.)

statistics — Agréger et résumer des données

statistics est la bibliothèque standard pour agréger un groupe de valeurs. statistics.mean retourne la moyenne arithmétique, statistics.median la médiane, statistics.mode la valeur la plus fréquente, et statistics.stdev l'écart-type d'échantillon — le tout en un seul appel. Tu peux aussi vérifier des observations classiques en pratique, comme la médiane qui reste un meilleur résumé que la moyenne face aux valeurs aberrantes, en quelques lignes.

import statistics

prices = [1200, 1500, 1100, 1400]

print(statistics.mean(prices))    # 1300       (moyenne)
print(statistics.median(prices))  # 1300.0     (médiane)
print(statistics.stdev(prices))   # ~182.57    (écart-type)

# Avec une valeur aberrante, moyenne et médiane divergent
with_outlier = [1200, 1500, 1100, 1400, 100000]
print(statistics.mean(with_outlier))    # 21040  (tirée par l'aberrante)
print(statistics.median(with_outlier))  # 1400   (résiste à l'aberrante)

Calcule la moyenne, la médiane et l'écart-type de quatre prix de produits.

① Importe statistics et place les quatre prix [1200, 1500, 1100, 1400] dans une liste appelée prices.

② Calcule la moyenne avec statistics.mean, arrondis-la à un entier et affiche-la sous la forme mean: ◯.

③ Calcule la médiane avec statistics.median, arrondis-la à un entier et affiche-la sous la forme median: ◯.

④ Calcule l'écart-type avec statistics.stdev, arrondis-le à 1 décimale et affiche-le sous la forme stdev: ◯.◯.