logo

numpy.mean() v Pythonu

Součet prvků spolu s osou dělenou počtem prvků se nazývá aritmetický průměr . Funkce numpy.mean() se používá k výpočtu aritmetického průměru podél zadané osy.

Tato funkce vrací průměr prvků pole. Ve výchozím nastavení se na zploštělém poli bere průměr. Jinak na zadané ose je float 64 střední a návratové hodnoty se používají pro celočíselné vstupy

Syntax

 numpy.mean(a, axis=None, dtype=None, out=None, keepdims=) 

Parametry

Toto jsou následující parametry ve funkci numpy.mean():

nový řádek python

a: array_like

Tento parametr definuje zdrojové pole obsahující prvky, jejichž střední hodnota je požadována. V takovém případě, kdy 'a' není pole, dojde k pokusu o převod.

osa: Žádná, int nebo n-tice ints (volitelné)

Tento parametr definuje osu, podél které se vypočítávají průměry. Ve výchozím nastavení je průměr vypočítán ze sloučeného pole. Ve verzi 1.7.0, pokud se jedná o n-tici ints, se průměr provede přes více os, namísto jedné osy nebo všech os jako dříve.

dtype: datový typ (volitelné)

Tento parametr se používá k definování datového typu použitého při výpočtu průměru. Pro celočíselné vstupy je výchozí hodnota float64 a pro vstupy s plovoucí desetinnou čárkou je stejná jako input dtype.

out: ndarray (volitelné)

Tento parametr definuje alternativní výstupní pole, do kterého bude umístěn výsledek. Tvar výsledného pole by měl být stejný jako tvar očekávaného výstupu. Typ výstupních hodnot bude přetypován v případě potřeby.

keepdims: bool (volitelné)

Když je hodnota true, je zmenšená osa ponechána jako rozměry s velikostí jedna ve výstupu/výsledku. Výsledek také vysílá správně proti vstupnímu poli. Když je nastavena výchozí hodnota, keepdims neprojde střední metodou podtříd ndarray, ale jakákoli jiná než výchozí hodnota určitě projde. V případě, že metoda podtřídy neimplementuje keepdims, pak se jistě objeví výjimka.

Vrátit se

Pokud nastavíme parametr 'out' na Žádný , tato funkce vrátí nové pole obsahující střední hodnoty. V opačném případě vrátí odkaz na výstupní pole.

Příklad 1:

 import numpy as np a = np.array([[1, 2], [3, 4]]) b=np.mean(a) b x = np.array([[5, 6], [7, 34]]) y=np.mean(x) y 

Výstup:

 2.5 13.0 

Ve výše uvedeném kódu

  • Importovali jsme numpy s aliasem np.
  • Pomocí funkce np.array() jsme vytvořili dvě pole 'a' a 'x'.
  • Deklarovali jsme proměnné 'b' a 'y' a přiřadili návratovou hodnotu funkce np.zeros().
  • Ve funkci jsme předali pole 'a' a 'x'.
  • Nakonec jsme zkusili vytisknout hodnotu 'b' a 'y'.

Příklad 2:

 import numpy as np a = np.array([[2, 4], [3, 5]]) b=np.mean(a,axis=0) c=np.mean(a,axis=1) b c 

Výstup:

 array([2.5, 4.5]) array([3., 4.]) 

Příklad 3:

V jednoduché přesnosti může být střední hodnota nepřesná:

 import numpy as np a = np.zeros((2, 512*512), dtype=np.float32) a[0, :] = 23.0 a[1, :] = 32.0 c=np.mean(a) c 

Výstup:

 27.5 

Ve výše uvedeném kódu

  • Importovali jsme numpy s aliasem np.
  • Vytvořili jsme pole 'a' pomocí funkce np.zeros() s dtype float32.
  • Hodnotu všech prvků 1. řádku jsme nastavili na 23,0 a 2. řádku 32,0.
  • Předali jsme pole 'a' ve funkci a přiřadili návratovou hodnotu funkce np.mean().
  • Nakonec jsme zkusili vytisknout hodnotu 'c'.

Ve výstupu ukazuje střední hodnotu pole 'a'.

Příklad 4:

Výpočet průměru v float64 je přesnější:

 import numpy as np a[0, :] = 2.0 a[1, :] = 0.2 c=np.mean(a) c d=np.mean(a, dtype=np.float64) d 

Výstup:

 1.0999985 1.1000000014901161