Summan av element, tillsammans med en axel delat med antalet element, kallas aritmetiskt medelvärde . Funktionen numpy.mean() används för att beräkna det aritmetiska medelvärdet längs den angivna axeln.
Denna funktion returnerar medelvärdet av arrayelementen. Som standard tas medelvärdet på den tillplattade arrayen. Annars på den angivna axeln är float 64 mellanliggande och returvärden används för heltalsinmatningar
Syntax
numpy.mean(a, axis=None, dtype=None, out=None, keepdims=)
Parametrar
Det här är följande parametrar i funktionen numpy.mean():
mediaöverföring
a: array_like
Denna parameter definierar källmatrisen som innehåller element vars medelvärde önskas. I ett sådant fall där 'a' inte är en array, görs en konvertering.
axel: Ingen, int eller tupel av ints (valfritt)
Denna parameter definierar axeln längs vilken medel beräknas. Som standard beräknas medelvärdet för den tillplattade matrisen. I version 1.7.0, om detta är en tupel av ints, utförs medelvärdet över flera axlar, istället för en enda axel eller alla axlar som tidigare.
dtype: data-type (valfritt)
Denna parameter används för att definiera datatypen som används vid beräkning av medelvärdet. För heltalsingångar är standardinställningen float64, och för flyttalsingångar är det samma som ingången dtype.
ut: ndarray (valfritt)
Denna parameter definierar en alternativ utgångsmatris där resultatet kommer att placeras. Formen på den resulterande arrayen bör vara densamma som formen på den förväntade utdata. Typen av utgångsvärden kommer att kasta vid behov.
keepdims: bool (valfritt)
När värdet är sant lämnas den reducerade axeln som dimensioner med storlek ett i utdata/resultat. Resultatet sänds också korrekt mot inmatningsmatrisen. När standardvärdet är inställt, passerar keepdims inte via medelmetoden för underklasser av ndarray, men alla icke-standardvärden kommer säkert att passera. Om underklassmetoden inte implementerar keepdims, kommer ett undantag säkert att uppstå.
Lämna tillbaka
Om vi ställer in parametern 'out' till Ingen , returnerar denna funktion en ny array som innehåller medelvärdena. Annars kommer den att returnera referensen till utgångsmatrisen.
Exempel 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 ovanstående kod
- Vi har importerat numpy med alias np.
- Vi har skapat två arrayer 'a' och 'x' med funktionen np.array().
- Vi har deklarerat variablerna 'b' och 'y' och tilldelat returvärdet för funktionen np.zeros().
- Vi har skickat arrayerna 'a' och 'x' i funktionen.
- Till sist försökte vi skriva ut värdet på 'b' och 'y'.
Exempel 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.])
Exempel 3:
I enkel precision kan medelvärdet vara felaktigt:
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 ovanstående kod
- Vi har importerat numpy med alias np.
- Vi har skapat en array 'a' med funktionen np.zeros() med dtype float32.
- Vi har satt värdet på alla element i 1:a raden till 23,0 och 2:a raden 32,0.
- Vi har passerat arrayen 'a' i funktionen och tilldelat returvärdet för funktionen np.mean().
- Till sist försökte vi skriva ut värdet på 'c'.
I utgången visar den medelvärdet av array 'a'.
Exempel 4:
Att beräkna medelvärdet i float64 är mer exakt:
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