numpy.mean

numpy.mean(a, axis=None, dtype=None, out=None, keepdims=False) [source]

Вычисление арифметического среднего по указанной оси.

Возвращает среднее значение элементов массива. Среднее значение вычисляется по уплощенному массиву по умолчанию, в противном случае по указанной оси. float64 промежуточные и возвращаемые значения используются для целочисленных входных данных.

Параметры:

a : array_like Массив, содержащий числа, среднее значение которых требуется. Если a не является массивом, выполняется попытка преобразования. axis : None или int или кортеж из целых чисел, необязательно Ось или оси, по которым вычисляются средние значения. По умолчанию вычисляется среднее значение уплощенного массива. Если это кортеж из целых чисел, среднее значение вычисляется по нескольким осям вместо одной оси или всех осей, как раньше. dtype : тип данных, необязательно Тип, используемый при вычислении среднего. Для целочисленных входных данных по умолчанию используется float64; для чисел с плавающей точкой — тот же тип, что и у входных данных. out : ndarray, необязательно Альтернативный массив вывода, в котором следует разместить результат. По умолчанию None; если задан, он должен иметь ту же форму, что и ожидаемый результат, но тип будет преобразован при необходимости. Подробности см. в doc.ufuncs. keepdims : bool, необязательно Если это установлено в True, оси, которые были уменьшены, сохраняются в результате в качестве измерений с размером один. С этим параметром результат будет корректно транслироваться по отношению к исходному arr.

Возвращает:

m : ndarray, см. параметр dtype выше Если out=None, возвращается новый массив, содержащий средние значения, в противном случае возвращается ссылка на массив вывода.

См. также

average

Взвешенное среднее

std, var, nanmean, nanstd, nanvar

Примечания

Арифметическое среднее — это сумма элементов по оси, деленная на количество элементов.

Обратите внимание, что для чисел с плавающей точкой среднее значение вычисляется с той же точностью, что и у входных данных. В зависимости от входных данных это может привести к неточным результатам, особенно для float32 (см. пример ниже). Использование аккумулятора с большей точностью с помощью параметра dtype может решить эту проблему.

Примеры

>>> 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])

В одинарной точности mean может быть неточным:

>>> a = np.zeros((2, 512*512), dtype=np.float32)
>>> a[0, :] = 1.0
>>> a[1, :] = 0.1
>>> np.mean(a)
0.546875

Вычисление среднего значения в формате float64 более точно:

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