python新手，最近做题遇到的问题，在这里分享一下，很简单的一个算法。要求很简单，就是在一组数据中取得最大值和次大值，核心思想是这样的，先把两个数假定为最大值和次大值，并比较他们的大小，在两者间确定最大值和次大值，再将剩余的数一次与上述最大值和次大值进行比较，时时更新两者的数值，最后得到结果，遇到同类问题也可以依法炮制，核心思想就是细化，尽可能的细化。
下面附上代码，这个代码要解决的问题是在一组学生成绩中求得最大值和次大值。
num=eval(input("输入学生个数：")) num1 = eval(input("输入学生的成绩：")) num2 = eval(input("输入学生的成绩：")) if num1 < num2: num1, num2 = num2, num1 for i in range(num-2): data = eval(input("输入学生的成绩：")) if data > num1: num2=num1 num1=data else: if data > num2: num2=data print("最高成绩为：",num1) print("次高成绩为：",num2)
输入：学生个数10，成绩：1 2 3 4 5 6 7 8 9 10
直接输入1次
#
，并按下
space
后，将生成1级标题。
输入2次
#
，并按下
space
后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用
TOC
语法后生成一个完美的目录。
强调文本
强调文本
加粗文本
加粗文本
H
2
O is是液体。
2
10
运算结果是 1024.
链接:
link
.
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。
去
博客设置
页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的
代码片
.
var foo = 'bar';
- 项目1
- 项目2
- 项目3
一个简单的表格是这么创建的：
使用:---------:居中
使用:----------居左
使用----------:居右在这里插入代码片
| 第一列 | 第二列 | 第三列 |
|---|
| 第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：
| TYPE | ASCII | HTML |
|---|
| Single backticks | 'Isn't this fun?' | ‘Isn’t this fun?’ |
| Quotes | "Isn't this fun?" | “Isn’t this fun?” |
| Dashes | -- is en-dash, --- is em-dash | – is en-dash, — is em-dash |
Markdown
Text-to-
HTML conversion tool
Authors
一个具有注脚的文本。1
Markdown将文本转换为 HTML。
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。
如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。
python新手，最近做题遇到的问题，在这里分享一下，很简单的一个算法。要求很简单，就是在一组数据中取得最大值和次大值，核心思想是这样的，先把两个数假定为最大值和次大值，并比较他们的大小，在两者间确定最大值和次大值，再将剩余的数一次与上述最大值和次大值进行比较，时时更新两者的数值，最后得到结果，遇到同类问题也可以依法炮制，核心思想就是细化，尽可能的细化。下面附上代码，这个代码要解决的问题是在一组...
或许当你看到一行代码的时候，你也已经想到了不会是 python 吧！还真不巧，你说对了，就是使用python。
很多知识想简单处理python的同志们（指并不怎么学python，但偶尔使用写个小分析啥的。）就像进行数据处理的时候，有时会遇到求极值（最大值、最小值）、平均值、中位数和四分位数（25%、 75%）的情况。
这一篇博客就是你的福音，让你绝对0基础使用python 进行数据分析。
1、下载py的环境。
这里引用一个简书作者：https://www.jianshu.com/p/5f1feb201fde的安装。
或者直接去官网下载py。
2、数据准备
我的在D盘新建一个xls文件，进行
import numpy as np
a = np.array([5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
np.random.shuffle(a) # 打乱顺序
a_max = np.partition(a,-1)[-1] #
最大值
a_2nd_max = np.partition(a,-2)[-2] #
次最大值
a_min = np.partition(a,0)[0] # 最小值
a_2nd_min = np.partition(a,1)[1] #
次最小值
1、什么是归一化：
归一化就是把一组数（大于1）化为以1为最大值，0为最小值，其余数据按百分比计算的方法。如：1，2，3.，那归一化后就是：0，0.5，1
2、归一化步骤：
如：2，4，6
（1）找出一组数里的最小值和最大值，然后就算最大值和最小值的差值
min = 2； max = 6； r = max – min = 4
（2）数组中每个数都减去最小值
2，4，6 变成 0，2，4
（3）再除去差值r
0，2，4 变成 0，0.5，1
就得出归一化后的数组了
3、用python 把一个矩阵中每列的数字归一化
import numpy as np
def autoNorm(data):
c[0] = np.max(a) #
最大值
b[0] = np.where(a==c[0])[0] #最大``值位置
new_a = np.delete(a,b[0])
c[1] = np.max(new_a) #
次大值
b[1] = np.where(
有时候我们需要取一个数组的最值、
次最值及其索引位置，以下提供一种思路，就是先利用np.argsort()取到数组从小到大排序时对应的索引位置，然后根据索引取最值和
次最值。
工作中，我们经常会遇到数据异常，比如说浏览量突增猛降，交易量突增猛降，但是这些数据又不是符合正太分布的，如果用几倍西格玛就不合适，那么我们如何来判断这些变化是否在合理的范围呢？
小白查阅一些资料后，发现可以用箱形图，具体描述如下：
箱形图（英文：Box plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。
异常值可以设置为上四分位数的1.25倍，也可以设置为1.5倍，具体的要通过实验可得。
1、下四分位数Q1
（1）确定四分位数的位
可以使用Python内置的max函数找到最大值，然后使用count方法计算最大值在数据中出现的次数。示例代码如下：
data = [1, 2, 3, 4, 5, 5, 5, 6, 6, 7, 7, 7, 7]
max_value = max(data)
count = data.count(max_value)
print("最大值出现的次数为：", count)
输出结果为：最大值出现的次数为： 4
