logo

numpy.mean() i Python

Summen af ​​elementer, sammen med en akse divideret med antallet af elementer, er kendt som aritmetisk middelværdi . Funktionen numpy.mean() bruges til at beregne det aritmetiske middelværdi langs den angivne akse.

Denne funktion returnerer gennemsnittet af array-elementerne. Som standard tages gennemsnittet på det fladtrykte array. Ellers på den angivne akse er float 64 mellemliggende, ligesom returværdier bruges til heltal input

Syntaks

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

Parametre

Disse er følgende parametre i numpy.mean()-funktionen:

brug af operativsystem

a: array_like

Denne parameter definerer kildearrayet, der indeholder elementer, hvis middelværdi er ønsket. I et sådant tilfælde, hvor 'a' ikke er et array, forsøges en konvertering.

akse: Ingen, int eller tupel af ints (valgfrit)

Denne parameter definerer aksen, langs hvilken midlerne beregnes. Som standard beregnes middelværdien af ​​det fladtrykte array. I version 1.7.0, hvis dette er en tuple af ints, udføres middelværdien over flere akser i stedet for en enkelt akse eller alle akserne som før.

dtype: datatype (valgfrit)

Denne parameter bruges til at definere den datatype, der bruges til at beregne middelværdien. For heltalsindgange er standardindstillingen float64, og for flydende kommaindgange er det det samme som input dtype.

ud: ndarray (valgfrit)

Denne parameter definerer et alternativt output-array, hvori resultatet vil blive placeret. Formen på det resulterende array skal være den samme som formen på det forventede output. Typen af ​​outputværdier vil kaste, når det er nødvendigt.

keepdims: bool (valgfrit)

Når værdien er sand, efterlades den reducerede akse som dimensioner med størrelse 1 i output/resultat. Resultatet udsendes også korrekt mod input-arrayet. Når standardværdien er indstillet, passerer keepdims ikke via middelmetoden for underklasser af ndarray, men enhver ikke-standardværdi vil helt sikkert passere. I tilfælde af at underklassemetoden ikke implementerer keepdims, vil en undtagelse helt sikkert stige.

Vend tilbage

Hvis vi sætter parameteren 'ud' til Ingen , returnerer denne funktion et nyt array, der indeholder middelværdierne. Ellers vil den returnere referencen til output-arrayet.

Eksempel 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 

Produktion:

 2.5 13.0 

I ovenstående kode

  • Vi har importeret numpy med alias navn np.
  • Vi har oprettet to arrays 'a' og 'x' ved hjælp af np.array()-funktionen.
  • Vi har erklæret variablen 'b' og 'y' og tildelt returværdien af ​​funktionen np.zeros().
  • Vi har sendt arrays 'a' og 'x' i funktionen.
  • Til sidst forsøgte vi at udskrive værdien af ​​'b' og 'y'.

Eksempel 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 

Produktion:

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

Eksempel 3:

I enkelt præcision kan middelværdien være unøjagtig:

 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 

Produktion:

 27.5 

I ovenstående kode

  • Vi har importeret numpy med alias navn np.
  • Vi har oprettet et array 'a' ved hjælp af np.zeros() funktion med dtype float32.
  • Vi har sat værdien af ​​alle elementerne i 1. række til 23.0 og 2. række 32.0.
  • Vi har bestået arrayet 'a' i funktionen og tildelt returværdien af ​​funktionen np.mean().
  • Til sidst forsøgte vi at udskrive værdien af ​​'c'.

I outputtet viser den middelværdien af ​​array 'a'.

Eksempel 4:

At beregne middelværdien i float64 er mere nøjagtig:

 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 

Produktion:

 1.0999985 1.1000000014901161