### 使用 `numpy.median()` 计算中位数 `numpy.median()` 是 NumPy 库中的一个重要函数，用于计算一组数据的中位数。它的基本语法如下： ```python import numpy as np np.median(a, axis=None) ``` - 参数 `a` 表示输入的数据集，可以是列表、一维或多维数组等形式。 - 参数 `axis` 定义了沿着哪个维度计算中位数，默认值为 `None`，这意味着整个数组会被展平成一维后再求解。 #### 单维数组的例子 当处理单维数组时，可以直接传入一个列表或者一维数组作为参数。 ```python import numpy as np data = [1, 3, 5, 7, 9] median_value = np.median(data) print("The median is:", median_value) # 输出 The median is: 5.0 ``` 上述例子展示了如何通过调用 `numpy.median()` 来获取奇数长度简单整型列表的中间值[^2]。 #### 多维数组的情况 如果面对的是二维或更高维度的数组，则可以通过指定 `axis` 参数来控制沿哪条轴线寻找中位数。 ```python import numpy as np multi_dim_data = [[1, 2], [3, 4]] row_wise_median = np.median(multi_dim_data, axis=1) column_wise_median = np.median(multi_dim_data, axis=0) print("Row-wise medians are:", row_wise_median) # 输出 Row-wise medians are: [1.5 3.5] print("Column-wise medians are:", column_wise_median) # 输出 Column-wise medians are: [2. 3.] ``` 这里分别演示了按照行方向以及列方向查找中位数值的方法。 #### 特殊情况说明 需要注意的一点是，如果有偶数数量的样本存在，那么最终的结果将是两个最接近中心位置数字平均值得到的一个浮点数形式表示。 另外，在遇到含有缺失值（NaNs）的情况下，除非特别设置忽略选项，否则返回结果也会受到影响而变为 NaN 值。 ```python import numpy as np nan_data = [1, 2, np.nan, 4] # 默认情况下会受到 nan 的影响 normal_result = np.median(nan_data) print(normal_result) # 输出 nan # 如果希望排除掉 nan 影响则需额外设定参数 filtered_result = np.nanmedian(nan_data) print(filtered_result) # 输出 2.5 ``` 以上代码片段解释了在有异常值如 Not a Number (NaN) 存在于原始资料组里头的时候该如何妥善处置以得到合理解答。