Vsota elementov, skupaj z osjo, deljeno s številom elementov, je znana kot aritmetična sredina . Funkcija numpy.mean() se uporablja za izračun aritmetične sredine vzdolž podane osi.
Ta funkcija vrne povprečje elementov polja. Privzeto je povprečje vzeto na sploščeni matriki. Sicer na določeni osi je float 64 vmesna vrednost, vrnjene vrednosti pa se uporabljajo za vnose celih števil
Sintaksa
numpy.mean(a, axis=None, dtype=None, out=None, keepdims=)
Parametri
To so naslednji parametri v funkciji numpy.mean():
sistemsko programsko opremo
a: array_like
Ta parameter definira izvorno matriko, ki vsebuje elemente, katerih povprečje je želeno. V takem primeru, ko 'a' ni matrika, se poskusi pretvorba.
os: Brez, int ali tuple of ints (neobvezno)
Ta parameter določa os, vzdolž katere se izračunajo srednje vrednosti. Privzeto je povprečje izračunano iz sploščenega niza. V različici 1.7.0, če je to tuple int, se povprečje izvede na več oseh namesto ene same osi ali vseh osi kot prej.
dtype: podatkovni tip (izbirno)
Ta parameter se uporablja za definiranje podatkovnega tipa, uporabljenega pri izračunu povprečja. Za vnose celih števil je privzetek float64, za vnose s plavajočo vejico pa je enak vnosu dtype.
izhod: ndarray (neobvezno)
Ta parameter določa alternativno izhodno matriko, v katero bo umeščen rezultat. Oblika nastale matrike mora biti enaka obliki pričakovanega rezultata. Vrsta izhodnih vrednosti bo po potrebi ustvarjena.
keepdims: bool (neobvezno)
Ko je vrednost resnična, ostane zmanjšana os kot dimenzije z velikostjo ena v izhodu/rezultatu. Prav tako se rezultat pravilno oddaja glede na vhodno polje. Ko je nastavljena privzeta vrednost, keepdims ne prehaja prek srednje metode podrazredov ndarray, vendar bo katera koli neprivzeta vrednost zagotovo prešla. V primeru, da metoda podrazreda ne izvaja keepdimov, bo zagotovo nastala izjema.
Vrnitev
Če nastavimo parameter 'out' na Noben , ta funkcija vrne novo matriko, ki vsebuje srednje vrednosti. V nasprotnem primeru bo vrnil sklic na izhodno polje.
Primer 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
Izhod:
2.5 13.0
V zgornji kodi
- Uvozili smo numpy z vzdevkom np.
- S funkcijo np.array() smo ustvarili dve matriki 'a' in 'x'.
- Deklarirali smo spremenljivki 'b' in 'y' in dodelili vrnjeno vrednost funkcije np.zeros().
- V funkciji smo posredovali matriki 'a' in 'x'.
- Nazadnje smo poskušali natisniti vrednost 'b' in 'y'.
Primer 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
Izhod:
array([2.5, 4.5]) array([3., 4.])
Primer 3:
Pri enojni natančnosti je povprečje lahko netočno:
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
Izhod:
27.5
V zgornji kodi
- Uvozili smo numpy z vzdevkom np.
- Ustvarili smo matriko 'a' s funkcijo np.zeros() z dtype float32.
- Vrednost vseh elementov 1. vrstice smo nastavili na 23,0 in 2. vrstice na 32,0.
- V funkciji smo posredovali matriko 'a' in dodelili vrnjeno vrednost funkcije np.mean().
- Nazadnje smo poskušali natisniti vrednost 'c'.
V izhodu prikazuje povprečje matrike 'a'.
Primer 4:
Izračun povprečja v float64 je natančnejši:
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
Izhod:
1.0999985 1.1000000014901161