numpy.average

numpy.average(a, axis=None, weights=None, returned=False) [source]

Вычисление взвешенного среднего по указанной оси.

Параметры:	a : array_like Массив, содержащий данные, которые необходимо усреднить. Если a не является массивом, выполняется попытка преобразования. axis : None or int or tuple of ints, optional Ось или оси, по которым необходимо вычислить среднее значение a. По умолчанию, axis=None, вычисляет среднее значение по всем элементам входного массива. Если axis отрицательный, он отсчитывается с последней оси к первой. Добавлена в версии 1.7.0. Если axis является кортежем целых чисел, усреднение выполняется по всем осям, указанным в кортеже, вместо одной оси или всех осей, как раньше. weights : array_like, optional Массив весов, связанных со значениями в a. Каждое значение в a вносит вклад в среднее значение в соответствии со своим весом. Массив весов может быть одномерным (в этом случае его длина должна быть равна размеру a по данной оси) или иметь такую же форму, что и a. Если weights=None, предполагается, что все данные в a имеют вес, равный единице. returned : bool, optional По умолчанию False. Если True, возвращается кортеж (average, sum_of_weights), в противном случае возвращается только среднее значение. Если weights=None, sum_of_weights эквивалентно числу элементов, по которым вычисляется среднее значение.
Возвращает:	average, [sum_of_weights] : array_type or double Возвращает среднее значение по указанной оси. Если возвращаемое значение True, возвращает кортеж со средним значением в качестве первого элемента и суммой весов во втором. Тип возвращаемого значения Float , если a имеет целочисленный тип, в противном случае тип совпадает с типом a. sum_of_weights имеет тот же тип, что и average.
Возможные исключения:	ZeroDivisionError Если все веса по оси равны нулю. См. numpy.ma.average для версии, устойчивой к этой ошибке. TypeError Если длина одномерного weights не совпадает с формой a по оси.

См. также

mean

ma.average

среднее значение для массивных массивов – полезно, если ваши данные содержат «пропущенные» значения

Примеры

>>> data = range(1,5)
>>> data
[1, 2, 3, 4]
>>> np.average(data)
2.5
>>> np.average(range(1,11), weights=range(10,0,-1))
4.0

>>> data = np.arange(6).reshape((3,2))
>>> data
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> np.average(data, axis=1, weights=[1./4, 3./4])
array([ 0.75,  2.75,  4.75])
>>> np.average(data, weights=[1./4, 3./4])
Traceback (most recent call last):
...
TypeError: Axis must be specified when shapes of a and weights differ.