Посчитать среднее значение массива python

Метод mean() в Python

Среднее – это значение, представляющее весь набор объектов. Считается центральным значением набора чисел.

Среднее значение рассчитывается путем деления суммы всех значений объектов на количество объектов.

Формула: (сумма значений) / общие значения

Теперь давайте разберемся, как работает функция mean() для вычисления среднего значения.

Использование функции mean()

Функция mean() помогает вычислить среднее значение набора значений, переданных в функцию.

Модуль статистики в Python используется для выполнения всех статистических операций с данными. Нам нужно импортировать модуль статистики, используя следующую команду:

Функция statistics.mean() принимает значения данных в качестве аргумента и возвращает среднее значение переданных ей значений.

import statistics data = [10,20,30,40,50] res_mean = statistics.mean(data) print(res_mean)

mean() с модулем NumPy

Модуль Python NumPy представляет набор значений в виде массива. Мы можем вычислить среднее значение этих элементов массива с помощью функции numpy.mean().

Функция numpy.mean() работает так же, как функция statistics.mean().

import numpy as np data = np.arange(1,10) res_mean = np.mean(data) print(res_mean)

В приведенном выше примере мы использовали функцию numpy.arange (start, stop) для создания равномерно распределенных значений в диапазоне, указанном в качестве параметров. Кроме того, функция numpy.mean() используется для вычисления среднего значения всех элементов массива.

Функция mean() с модулем Pandas

Модуль Pandas работает с огромными наборами данных в виде DataFrames. Среднее значение этих огромных наборов данных можно вычислить с помощью функции pandas.DataFrame.mean().

Функция pandas.DataFrame.mean() возвращает среднее значение этих значений данных.

import numpy as np import pandas as pd data = np.arange(1,10) df = pd.DataFrame(data) res_mean = df.mean() print(res_mean)

В приведенном выше примере мы создали массив NumPy с помощью функции numpy.arange(), а затем преобразовали значения массива в DataFrame с помощью функции pandas.DataFrame(). Кроме того, мы вычислили среднее значение значений DataFrame с помощью функции pandas.DataFrame.mean().

import pandas as pd data = pd.read_csv("C:/mtcars.csv") res_mean = data['qsec'].mean() print(res_mean)

В приведенном выше примере мы использовали вышеупомянутый набор данных и вычислили среднее значение всех значений данных, представленных в столбце данных «qsec».

Источник

numpy.mean#

Compute the arithmetic mean along the specified axis.

Returns the average of the array elements. The average is taken over the flattened array by default, otherwise over the specified axis. float64 intermediate and return values are used for integer inputs.

Parameters : a array_like

Array containing numbers whose mean is desired. If a is not an array, a conversion is attempted.

axis None or int or tuple of ints, optional

Axis or axes along which the means are computed. The default is to compute the mean of the flattened array.

If this is a tuple of ints, a mean is performed over multiple axes, instead of a single axis or all the axes as before.

dtype data-type, optional

Type to use in computing the mean. For integer inputs, the default is float64 ; for floating point inputs, it is the same as the input dtype.

out ndarray, optional

Alternate output array in which to place the result. The default is None ; if provided, it must have the same shape as the expected output, but the type will be cast if necessary. See Output type determination for more details.

keepdims bool, optional

If this is set to True, the axes which are reduced are left in the result as dimensions with size one. With this option, the result will broadcast correctly against the input array.

If the default value is passed, then keepdims will not be passed through to the mean method of sub-classes of ndarray , however any non-default value will be. If the sub-class’ method does not implement keepdims any exceptions will be raised.

where array_like of bool, optional

Elements to include in the mean. See reduce for details.

If out=None, returns a new array containing the mean values, otherwise a reference to the output array is returned.

The arithmetic mean is the sum of the elements along the axis divided by the number of elements.

Note that for floating-point input, the mean is computed using the same precision the input has. Depending on the input data, this can cause the results to be inaccurate, especially for float32 (see example below). Specifying a higher-precision accumulator using the dtype keyword can alleviate this issue.

By default, float16 results are computed using float32 intermediates for extra precision.

>>> a = np.array([[1, 2], [3, 4]]) >>> np.mean(a) 2.5 >>> np.mean(a, axis=0) array([2., 3.]) >>> np.mean(a, axis=1) array([1.5, 3.5]) 

In single precision, mean can be inaccurate:

>>> a = np.zeros((2, 512*512), dtype=np.float32) >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean(a) 0.54999924 

Computing the mean in float64 is more accurate:

>>> np.mean(a, dtype=np.float64) 0.55000000074505806 # may vary 

Specifying a where argument:

>>> a = np.array([[5, 9, 13], [14, 10, 12], [11, 15, 19]]) >>> np.mean(a) 12.0 >>> np.mean(a, where=[[True], [False], [False]]) 9.0 

Источник

Как найти среднее значение списка в Python

В этой статье мы рассмотрим различные способы найти среднее значение списка в списке Python. Среднее значение – это значение, которое представляет весь набор элементов данных или элементов.

Формула: Среднее значение = сумма чисел / общее количество.

Методы поиска среднего значения списка

Для вычисления среднего значения списка в Python можно использовать любой из следующих методов:

• Функция mean();
• Встроенный метод sum();
• Методы lambda() и reduce();
• Метод operator.add().

Функция mean()

Python 3 имеет модуль статистики, который содержит встроенную функцию для вычисления среднего числа. Функция statistics.mean() используется для вычисления среднего входного значения или набора данных.

Функция mean() принимает список, кортеж или набор данных, содержащий числовые значения, в качестве параметра и возвращает среднее значение элементов данных.

from statistics import mean inp_lst = [12, 45, 78, 36, 45, 237.11, -1, 88] list_avg = mean(inp_lst) print("Average value of the list:\n") print(list_avg) print("Average value of the list with precision upto 3 decimal value:\n") print(round(list_avg,3))

В приведенном выше фрагменте кода мы использовали метод statistics.round() для округления выходного среднего до определенного десятичного значения.

statistics.round(value, precision value)

Average value of the list: 67.51375 Average value of the list with precision upto 3 decimal value: 67.514

Использование функции sum()

Функция statistics.sum() также может использоваться для поиска среднего значения данных в списке Python.

Функция statistics.len() используется для вычисления длины списка, т.е. количества элементов данных, присутствующих в списке.

Кроме того, функция statistics.sum() используется для вычисления суммы всех элементов данных в списке.

Примечание: среднее значение = (сумма) / (количество).

from statistics import mean inp_lst = [12, 45, 78, 36, 45, 237.11, -1, 88] sum_lst = sum(inp_lst) lst_avg = sum_lst/len(inp_lst) print("Average value of the list:\n") print(lst_avg) print("Average value of the list with precision upto 3 decimal value:\n") print(round(lst_avg,3))

Average value of the list: 67.51375 Average value of the list with precision upto 3 decimal value: 67.514

3. Использование reduce() и lambda()

Мы можем использовать функцию reduce() вместе с функцией lambda().

Функция reduce() в основном используется для применения определенной (входной) функции к набору элементов, переданных в функцию.

reduce(function,input-list/sequence)

• Первоначально функция reduce() применяет переданную функцию к первым двум последовательным элементам и возвращает результат.
• Далее мы применяем ту же функцию к результату, полученному на предыдущем шаге, и к элементу, следующему за вторым элементом.
• Этот процесс продолжается, пока не дойдет до конца списка.
• Наконец, результат возвращается на терминал или экран в качестве вывода.

Функция lambda() используется для создания и формирования анонимных функций, то есть функции без имени или подписи.

from functools import reduce inp_lst = [12, 45, 78, 36, 45, 237.11, -1, 88] lst_len= len(inp_lst) lst_avg = reduce(lambda x, y: x + y, inp_lst) /lst_len print("Average value of the list:\n") print(lst_avg) print("Average value of the list with precision upto 3 decimal value:\n") print(round(lst_avg,3))

Average value of the list: 67.51375 Average value of the list with precision upto 3 decimal value: 67.514

Функция operator.add() для поиска среднего значения списка

Модуль operator.add() содержит различные функции для эффективного выполнения основных вычислений и операций.

Функцию operator.add() можно использовать для вычисления суммы всех значений данных, присутствующих в списке, с помощью функции reduce().

Примечание: среднее значение = (сумма) / (длина или количество элементов)

from functools import reduce import operator inp_lst = [12, 45, 78, 36, 45, 237.11, -1, 88] lst_len = len(inp_lst) lst_avg = reduce(operator.add, inp_lst) /lst_len print("Average value of the list:\n") print(lst_avg) print("Average value of the list with precision upto 3 decimal value:\n") print(round(lst_avg,3))

Average value of the list: 67.51375 Average value of the list with precision upto 3 decimal value: 67.514

Метод NumPy average() для вычисления среднего значения списка

Модуль NumPy имеет встроенную функцию для вычисления среднего значения элементов данных, присутствующих в наборе данных или списке.

Метод numpy.average() используется для вычисления среднего значения входного списка.

import numpy inp_lst = [12, 45, 78, 36, 45, 237.11, -1, 88] lst_avg = numpy.average(inp_lst) print("Average value of the list:\n") print(lst_avg) print("Average value of the list with precision upto 3 decimal value:\n") print(round(lst_avg,3))

Average value of the list: 67.51375 Average value of the list with precision upto 3 decimal value: 67.514

Источник

Как найти среднее значение чисел списка в Python

Mean() — это встроенная статистическая функция Python, используемая для вычисления среднего значения чисел списков. Он принимает данные в качестве аргумента и возвращает среднее значение данных.

Среднее значение списка в Python

Чтобы вычислить среднее значение списка в Python:

1. Используйте функцию Statistics.mean().
2. Используйте функции sum() и len().
3. Функцию numpy.mean().
4. Цикл for.

Формула для расчета среднего достигается путем вычисления суммы чисел в списке, поделенной на количество чисел в списке.

В приведенном выше примере у нас есть восемь точек данных, и мы используем функцию Statistics.mean() для вычисления среднего значения списка.

Способ 1: функция Python Statistics.mean()

Чтобы использовать метод mean() в Python, импортируйте модуль статистики, а затем мы можем использовать функцию mean для возврата среднего значения данного списка.

В приведенном выше примере кода мы использовали функции среднего значения, режима, медианы, дисперсии и стандартного отклонения.

Способ 2: использование функций sum() и len()

Python sum() — это встроенная функция, которая возвращает сумму всех элементов списка. Точно так же функция len() возвращает количество элементов в списке. Мы объединим эти две встроенные функции, чтобы получить среднее значение списка.

Способ 3: использование функции numpy.mean()

Функция NumPy.mean() возвращает среднее значение элементов массива. Среднее значение берется по сглаженному массиву по умолчанию; в противном случае по указанной оси.

Библиотека Numpy — это широко используемая библиотека для работы с большими многомерными массивами. Он также имеет обширные математические функции для массивов для выполнения различных задач.

Важно отметить, что функция mean() даст нам среднее значение для предоставленного списка.

Источник