np.mean() vs np.average()在Python NumPy?

我注意到

In [30]: np.mean([1, 2, 3])
Out[30]: 2.0


In [31]: np.average([1, 2, 3])
Out[31]: 2.0

但是，应该有一些区别，毕竟它们是两个不同的功能。

它们之间有什么区别?

204875 次浏览
小开

在调用中，这两个函数是相同的。

average可以计算一个加权平均值。

文档链接:mean和average

小开

np.mean总是计算算术平均值，并为输入和输出提供了一些额外的选项(例如使用什么数据类型，将结果放在哪里)。

如果提供了weights参数，np.average可以计算加权平均值。

小开
最佳答案

np。Average接受一个可选的权重参数。如果不提供，它们是等效的。看一下源代码:的意思是， 平均

np.mean:

try:
mean = a.mean
except AttributeError:
return _wrapit(a, 'mean', axis, dtype, out)
return mean(axis, dtype, out)

np.average:

...
if weights is None :
avg = a.mean(axis)
scl = avg.dtype.type(a.size/avg.size)
else:
#code that does weighted mean here


if returned: #returned is another optional argument
scl = np.multiply(avg, 0) + scl
return avg, scl
else:
return avg
...
小开

在numpy的某个版本中还有一个重要的区别，你必须知道:

average不考虑掩码，所以计算整个数据集的平均值。

mean接受帐户掩码，因此只计算未掩码值的平均值。

g = [1,2,3,55,66,77]
f = np.ma.masked_greater(g,5)


np.average(f)
Out: 34.0


np.mean(f)
Out: 2.0
小开

除了前面提到的不同之处，还有一个非常重要的不同之处是我刚刚才发现的:与np.mean不同，np.average不允许使用dtype关键字，而在某些情况下，这对于获得正确的结果至关重要。我有一个非常大的单精度数组，可以从h5文件访问。如果我沿着轴0和1取平均值，我会得到非常不正确的结果，除非我指定dtype='float64':

>T.shape
(4096, 4096, 720)
>T.dtype
dtype('<f4')


m1 = np.average(T, axis=(0,1))                #  garbage
m2 = np.mean(T, axis=(0,1))                   #  the same garbage
m3 = np.mean(T, axis=(0,1), dtype='float64')  # correct results

不幸的是，除非你知道要寻找什么，否则你不一定知道你的结果是错误的。由于这个原因，我将永远不会再使用np.average，但将始终在任何大型数组上使用np.mean(.., dtype='float64')。如果我想要一个加权平均值，我将显式地使用权重向量和目标数组的乘积来计算它，然后是np.sum或np.mean，视情况而定(也具有适当的精度)。


提交答案