math_stats_raibeena

คำอธิบาย Python Package สำหรับการคำนวณเมทริกซ์และสถิติพื้นฐาน

Description

แพ็กเกจนี้พัฒนาขึ้นเพื่อใช้ในการคำนวณ ตรวจสอบ และวิเคราะห์ทางคณิตศาสตร์เกี่ยวกับเมทริกซ์ เวกเตอร์ และสถิติพื้นฐานเชิงลึก รองรับการประมวลผลเชิงวัตถุ (OOP), การส่งออกข้อมูล (File I/O) และการวิเคราะห์ข้อมูลทางสถิติ ประกอบด้วย 2 โมดูลหลัก:

• matrix : คำนวณทางพีชคณิตเชิงเส้น (Linear Algebra) รองรับการบวกเวกเตอร์ (vector_add), การดอตผลิตภัณฑ์ (dot_product), การทรานสโพสเมทริกซ์ (matrix_transpose), การหาผลรวมแนวทแยง (matrix_trace) และการคำนวณดีเทอร์มิแนนต์ของเมทริกซ์ขนาด 2x2 (det_2x2)
• statistic : วิเคราะห์และคำนวณค่าทางสถิติพื้นฐาน รองรับการหาค่าเฉลี่ยเลขคณิต (mean), ค่าความแปรปรวน (variance), ส่วนเบี่ยงเบนมาตรฐาน (std_dev), การแปลงเป็นค่ามาตรฐาน (z_score) และการคำนวณค่าความแปรปรวนร่วมระหว่างสองตัวแปร (covariance)

การใช้งาน การติดตั้ง(Installation) You can install package from Pypi :

pip install math-stats-raibeena

ตัวอย่าง

import math_stats_raibeena as pkg

# ใช้งานฟังก์ชันเมทริกซ์ (matrix)
u = (1, 2)
v = (3, 4)
m = [[1, 2], [3, 4]]

print(pkg.vector_add(u, v))
print(pkg.dot_product(u, v))
print(pkg.matrix_transpose(m))
print(pkg.matrix_trace(m))
print(pkg.det_2x2(m))


# ใช้งานฟังก์ชันทางสถิติ (statistic)
data_x = [10, 12, 15, 18, 20]
data_y = [5, 8, 10, 14, 18]

print(pkg.mean(data_x))
print(pkg.variance(data_x))
print(pkg.std_dev(data_x))
print(pkg.z_score(15, data_x))
print(pkg.covariance(data_x, data_y))

Improved package

import math

# ==============================================================================
# 1. ส่วนโมดูลแพ็กเกจ (PACKAGE MODULE: math_stats_raibeena)
# ==============================================================================


# ------------------------------------------------------------------------------
# 1.1 String Processing & Data Structures (ส่วนที่เพิ่มใหม่)
# ------------------------------------------------------------------------------
def parse_data_string(data_str: str) -> list[float]:
  """String Processing: แปลงข้อความตัวเลข เช่น '10, 12, 15' เป็น List ของตัวเลข [10.0, 12.0, 15.0]"""
  cleaned = data_str.strip().replace(" ", "")
  if not cleaned:
    return []
  return [float(x) for x in cleaned.split(",")]


def get_data_summary(
    data_x: list[float], tags: set[str] = None
) -> dict[str, str | int | float | list]:
  """Data Structures: ใช้ List, Set และ Dictionary ในการสรุปผลข้อมูลทางสถิติ"""
  tag_set = tags if tags is not None else {"dataset", "math"}  # Set

  summary_dict = {  # Dictionary
      "count": len(data_x),  # List length
      "mean": mean(data_x) if data_x else 0.0,
      "tags": list(tag_set),
  }
  return summary_dict


# ------------------------------------------------------------------------------
# 1.2 ฟังก์ชันเมทริกซ์และเวกเตอร์ 
# ------------------------------------------------------------------------------
def vector_add(
    u: tuple[float, float], v: tuple[float, float]
) -> tuple[float, float]:
  """Data Structure: ใช้ Tuple รับ-ส่งค่าพิกัดเวกเตอร์"""
  return (u[0] + v[0], u[1] + v[1])


def dot_product(u: tuple[float, float], v: tuple[float, float]) -> float:
  return u[0] * v[0] + u[1] * v[1]


def matrix_transpose(m: list[list[float]]) -> list[list[float]]:
  return [[m[0][0], m[1][0]], [m[0][1], m[1][1]]]


def matrix_trace(m: list[list[float]]) -> float:
  return m[0][0] + m[1][1]


def det_2x2(m: list[list[float]]) -> float:
  return m[0][0] * m[1][1] - m[0][1] * m[1][0]


# ------------------------------------------------------------------------------
# 1.3 ฟังก์ชันทางสถิติ 
# ------------------------------------------------------------------------------
def mean(data: list[float]) -> float:
  return sum(data) / len(data)


def variance(data: list[float]) -> float:
  avg = mean(data)
  return sum((x - avg) ** 2 for x in data) / (len(data) - 1)


def std_dev(data: list[float]) -> float:
  return math.sqrt(variance(data))


def z_score(x: float, data: list[float]) -> float:
  return (x - mean(data)) / std_dev(data)


def covariance(data_x: list[float], data_y: list[float]) -> float:
  mean_x = mean(data_x)
  mean_y = mean(data_y)
  n = len(data_x)
  return sum((data_x[i] - mean_x) * (data_y[i] - mean_y) for i in range(n)) / (
      n - 1
  )


# ==============================================================================
# 2. ส่วนการเรียกใช้งาน (EXECUTION & TESTING)
# ==============================================================================
if __name__ == "__main__":
  # --- String Processing (แปลง String เป็น List [float]) ---
  raw_data_x = " 10, 12, 15, 18, 20 "
  raw_data_y = " 5, 8, 10, 14, 18 "

  data_x = parse_data_string(raw_data_x)
  data_y = parse_data_string(raw_data_y)

  # --- ข้อมูลตัวอย่าง Vector & Matrix ---
  u = (1, 2)  # Tuple
  v = (3, 4)  # Tuple
  m = [[1, 2], [3, 4]]  # List

  # --- รันคำสั่งฟังก์ชันเมทริกซ์และเวกเตอร์ ---
  print("=== Vector & Matrix Functions ===")
  print("Vector Add:", vector_add(u, v))
  print("Dot Product:", dot_product(u, v))
  print("Matrix Transpose:", matrix_transpose(m))
  print("Matrix Trace:", matrix_trace(m))
  print("Determinant (2x2):", det_2x2(m))

  # --- รันคำสั่งฟังก์ชันทางสถิติ ---
  print("\n=== Statistics Functions ===")
  print("Mean X:", mean(data_x))
  print("Variance X:", variance(data_x))
  print("Std Dev X:", std_dev(data_x))
  print("Z-Score of 15 in X:", z_score(15, data_x))
  print("Covariance X, Y:", covariance(data_x, data_y))

  # --- รันคำสั่งสรุปผล Data Structures (Set & Dictionary) ---
  print("\n=== Data Structures Summary ===")
  tags = {"statistics", "numerical", "statistics"}  # Set (ตัดค่าซ้ำอัตโนมัติ)
  summary = get_data_summary(data_x, tags)  # คืนค่าเป็น Dictionary
  print("Summary Output:", summary)