logo

numpy.mean() in Python

Die Summe der Elemente zusammen mit einer Achse dividiert durch die Anzahl der Elemente wird als bezeichnet arithmetisches Mittel . Die Funktion numpy.mean() wird verwendet, um das arithmetische Mittel entlang der angegebenen Achse zu berechnen.

Diese Funktion gibt den Durchschnitt der Array-Elemente zurück. Standardmäßig wird der Durchschnitt für das abgeflachte Array ermittelt. Ansonsten ist Float 64 auf der angegebenen Achse ein Zwischenwert und Rückgabewerte werden für ganzzahlige Eingaben verwendet

Syntax

 numpy.mean(a, axis=None, dtype=None, out=None, keepdims=) 

Parameter

Dies sind die folgenden Parameter in der Funktion numpy.mean():

Was ist in Python?

a: array_like

Dieser Parameter definiert das Quellarray, das Elemente enthält, deren Mittelwert gewünscht wird. In einem solchen Fall, in dem „a“ kein Array ist, wird eine Konvertierung versucht.

Achse: Keine, int oder Tupel von ints (optional)

Dieser Parameter definiert die Achse, entlang derer die Mittelwerte berechnet werden. Standardmäßig wird der Mittelwert des abgeflachten Arrays berechnet. Wenn es sich in Version 1.7.0 um ein Tupel von Ganzzahlen handelt, wird der Mittelwert über mehrere Achsen ermittelt, statt wie zuvor über eine einzelne Achse oder alle Achsen.

dtype: Datentyp (optional)

Dieser Parameter wird verwendet, um den Datentyp zu definieren, der bei der Berechnung des Mittelwerts verwendet wird. Für ganzzahlige Eingaben ist der Standardwert float64 und für Gleitkomma-Eingaben ist er derselbe wie der Eingabe-D-Typ.

out: ndarray (optional)

Dieser Parameter definiert ein alternatives Ausgabearray, in dem das Ergebnis platziert wird. Die Form des resultierenden Arrays sollte mit der Form der erwarteten Ausgabe übereinstimmen. Der Typ der Ausgabewerte wird bei Bedarf umgewandelt.

keepdims: bool (optional)

Wenn der Wert wahr ist, wird die reduzierte Achse in der Ausgabe/im Ergebnis als Dimensionen mit der Größe eins belassen. Außerdem wird das Ergebnis korrekt an das Eingabearray übertragen. Wenn der Standardwert festgelegt ist, werden keepdims nicht über die Methode „mean“ von Unterklassen von ndarray übergeben, aber jeder nicht standardmäßige Wert wird mit Sicherheit passieren. Falls die Unterklassenmethode keepdims nicht implementiert, wird es sicherlich zu einer Ausnahme kommen.

Zurückkehren

Wenn wir den Parameter „out“ auf setzen Keiner , diese Funktion gibt ein neues Array zurück, das die Mittelwerte enthält. Andernfalls wird der Verweis auf das Ausgabearray zurückgegeben.

Beispiel 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 

Ausgabe:

 2.5 13.0 

Im obigen Code

  • Wir haben numpy mit dem Aliasnamen np importiert.
  • Wir haben mit der Funktion np.array() zwei Arrays „a“ und „x“ erstellt.
  • Wir haben die Variablen „b“ und „y“ deklariert und den Rückgabewert der Funktion np.zeros() zugewiesen.
  • Wir haben in der Funktion die Arrays „a“ und „x“ übergeben.
  • Zuletzt haben wir versucht, den Wert von „b“ und „y“ auszugeben.

Beispiel 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 

Ausgabe:

 array([2.5, 4.5]) array([3., 4.]) 

Beispiel 3:

Bei einfacher Genauigkeit kann der Mittelwert ungenau sein:

 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 

Ausgabe:

 27.5 

Im obigen Code

  • Wir haben numpy mit dem Aliasnamen np importiert.
  • Wir haben ein Array „a“ ​​mit der Funktion np.zeros() mit dem Dtyp float32 erstellt.
  • Wir haben den Wert aller Elemente der 1. Reihe auf 23,0 und der 2. Reihe auf 32,0 gesetzt.
  • Wir haben das Array „a“ ​​in der Funktion übergeben und den Rückgabewert der Funktion np.mean() zugewiesen.
  • Zuletzt haben wir versucht, den Wert von „c“ auszugeben.

In der Ausgabe wird der Mittelwert des Arrays „a“ angezeigt.

Beispiel 4:

Die Berechnung des Mittelwerts in float64 ist genauer:

 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 

Ausgabe:

 1.0999985 1.1000000014901161