2022年 11月 9日

Python中Round函数

Python中Round函数

Python中的舍入函数,返回浮点数,该浮点数是指定数字的舍入版本。本文将详细探讨这一概念。本文将介绍以下内容,

Python round()
Practical Application
Rounding NumPy Arrays
Rounding Pandas Series and DataFrame
Data Frame

那么,让我们开始吧,

Python中的舍入函数
round(x,n)方法将返回x的值,该值四舍五入到小数点后的n位数字。

例如:

round(7.6 + 8.7,1)
  • 1

输出:

16.3
  • 1

回合赋予此功能以提供最接近的价值

例如:

round(6.543231,2)
  • 1

输出:

6.54
  • 1

有时无法提供正确的输出

示例:

round(2.675,2)#应该返回2.68,但不会返回
  • 1

输出:

2.67
  • 1

有时它给出正确的输出

例如:

round(8.875,2)
  • 1

输出:

8.88
  • 1

继续本文有关Python中的舍入函数的文章。

Python回合()
python中的舍入函数将十进制值四舍五入为给定的位数,如果我们不提供n(即十进制后的位数),则会将数字四舍五入为最接近的整数。

如果其后的整数> = 5,则四舍五入为ceil;如果小数为<5,则四舍五入为整数。
没有第二个参数的round()

#int
print(round(12))
#float
print(round(66.6))
print(round(45.5))
print(round(92.4))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

输出:

12
67
46
92
  • 1
  • 2
  • 3
  • 4

现在,如果提供了第二个参数,则如果last_digit + 1> = 5,则最后一个十进制数字将增加1直至舍入后的值,否则它将与提供的相同。

带有第二个参数的round()

# when last_digit+1 =5
print(round(3.775, 2))
# when last_digit+1 is >=5
print(round(3.776, 2))
# when if last_digit+1 is <5
print(round(3.773, 2))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

输出:

3.77
3.78
3.77
  • 1
  • 2
  • 3

继续本文有关Python中的舍入函数的文章。

实际应用:
四舍五入函数的一些应用是将数字四舍五入为有限的数字,例如,如果要将小数表示为小数,我们通常也将小数点后的数字设为2或3,以便可以精确地表示小数。

b=2/6
print(b)
print(round(b, 2))
  • 1
  • 2
  • 3

输出:

0.3333333333333333
0.33
  • 1
  • 2

在这个数据科学和计算时代,我们通常将数据存储为Numpy数组或pandas数据框,其中舍入在准确计算操作方面起着非常重要的作用,类似于python中的round函数Numpy或Pandas接受两个参数数据和数字,即我们要四舍五入的数据以及十进制后必须四舍五入的位数,并将其应用于所有行和列。让我们看一些例子。

继续阅读有关Python:Round Function的文章。

舍入NumPy数组
要安装NumPy,您可以使用:

pip3 install numpy
  • 1

除此之外,如果您正在使用Anaconda环境,它将已经安装,要舍入NumPy数组的所有值,我们会将数据作为参数传递给np.around()函数。
现在,我们将创建一个3×4大小的NumPy数组,其中包含浮点数,如下所示:

import numpy as np
np.random.seed(444)
data = np.random.randn(3, 4)
print(data)
  • 1
  • 2
  • 3
  • 4

输出:

[[0.35743992 0.3775384 1.38233789 1.17554883]
[-0.9392757 -1.14315015 -0.54243951 -0.54870808]
[0.20851975 0.21268956 1.26802054 -0.80730293]]
  • 1
  • 2
  • 3

例如,以下将数据中的所有值四舍五入到小数点后三位:

import numpy as np
np.random.seed(444)
data = np.random.randn(3, 4)
print(np.around(data, decimals=3))
  • 1
  • 2
  • 3
  • 4

输出:

[[0.357 0.378 1.382 1.176]
[-0.939 -1.143 -0.542 -0.549]
[0.209 0.213 1.268 -0.807]]
  • 1
  • 2
  • 3

np.around()可用于更正浮点错误。

我们可以在下面的示例中看到3×1的元素为0.20851975,您希望该值为0.208,但是将其四舍五入为0.209,还可以看到1×2的值正确舍入为0.378。

因此,如果需要将数据四舍五入为所需的形式,NumPy有很多方法:

numpy.ceil()
numpy.floor()
numpy.trunc()
numpy.rint()

np.ceil()函数将数组中的每个值四舍五入为大于或等于原始值的最接近的整数:

打印(np.ceil(数据))

输出:

[[1. 1. 2. 2.]
[-0。-1。-0。-0。]
[1. 1. 2. -0。]]
  • 1
  • 2
  • 3

要将每个值四舍五入为最接近的整数,请使用np.floor():

print(np.floor(data))
  • 1

输出:

[[0. 0. 1. 1.]
[-1。-2。-1。-1。]
[0. 0. 1. -1。]]
  • 1
  • 2
  • 3

您还可以使用np.trunc()将每个值截断为其整数部分:

print(np.trunc(data))
  • 1

输出:

[[0. 0. 1. 1.]
[-0。-1。-0。-0。]
[0. 0. 1. -0。]]
  • 1
  • 2
  • 3

最后,要使用“舍入一半到偶数”策略舍入到最接近的整数,请使用np.rint():

print(np.rint(data))
  • 1

输出:

[[0. 0. 1. 1.]
[-1。-1。-1。-1。]
[0. 0. 1. -1。]]
  • 1
  • 2
  • 3

继续阅读有关Python:Round Function的文章。

Rounding Pandas Series and DataFrame
Pandas是另一个供数据科学家使用的流行图书馆,用于分析数据。

与NumPy相似,我们可以使用以下命令安装该库:

pip3 install pandas
Pandas的两个主要数据结构是DataFrame和Series,DataFrame基本上就像数据库中的表,而Series是列。我们可以使用Series.round()和DataFrame.round()对对象进行四舍五入。

import pandas as pd
import numpy as np
np.random.seed(444)
series = pd.Series(np.random.randn(4))
print(series)
  • 1
  • 2
  • 3
  • 4
  • 5

输出:

0 0.357440
1 0.377538
2 1.382338
3 1.175549 dtype
:float64
print(series.round(2))
0 0.36
1 0.38
2 1.38
3 1.18
dtype:float64
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

继续阅读有关Python的文章:Round函数

数据框:

import pandas as pd
import numpy as np
np.random.seed(444)
df = pd.DataFrame(np.random.randn(3, 3), columns=["Column 1", "Column 2", "Column 3"])
print(df)
print(df.round(3))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

输出:

第1列第2列第3
0 0.357440 0.377538 1.382338
1 1.175549 -0.939276 -1.143150
2 -0.542440 -0.548708 0.208520
第1列第2列3
0 0.357 0.378 1.382
1 1.176 -0.939 -1.143
2 -0.542 -0.549 0.209
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

对于DataFrame,我们可以为每列指定不同的精度,因此,round函数可以接受字典或Series,因此我们可以为不同的列提供不同的精度。

print(df.round({“第1列”:1,“第2列”:2,“第3列”:3}))
  • 1

输出:

第1列第2列3
0 0.4 0.38 1.382
1 1.2 -0.94 -1.143
2 -0.5 -0.55 0.209
  • 1
  • 2
  • 3
  • 4

结束语
在本文中,我们介绍了什么是round函数以及如何从python内核中实现它。我们还介绍了舍入函数的一些缺点,以及如何纠正它们以及如何在数据科学中广泛使用的库中发挥作用。