查找列表的平均值

2024-12-18 08:39:00
admin
原创
154
摘要：问题描述：如何在 Python 中查找列表的算术平均值？例如：[1, 2, 3, 4] ⟶ 2.5 解决方案 1：对于 Python 3.8+，使用statistics.fmean浮点数实现数值稳定性。（快。）对于 Python 3.4+，使用statistics.mean浮点数实现数值稳定性。（较慢。）...

问题描述：

如何在 Python 中查找列表的算术平均值？例如：

[1, 2, 3, 4]  ⟶  2.5

解决方案 1：

对于 Python 3.8+，使用statistics.fmean浮点数实现数值稳定性。（快。）

对于 Python 3.4+，使用statistics.mean浮点数实现数值稳定性。（较慢。）

xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]

import statistics
statistics.mean(xs)  # = 20.11111111111111

对于 Python 3 的旧版本，请使用

sum(xs) / len(xs)

对于 Python 2，转换len为浮点数以获得浮点除法：

sum(xs) / float(len(xs))

解决方案 2：

xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]
sum(xs) / len(xs)

解决方案 3：

使用numpy.mean：

xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]

import numpy as np
print(np.mean(xs))

解决方案 4：

对于Python 3.4+，使用mean()新statistics模块计算平均值：

from statistics import mean
xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]
mean(xs)

解决方案 5：

reduce()当 Python 具有完美的 cromulent函数时，为什么还要使用它呢sum()？

print sum(l) / float(len(l))

（float()在 Python 2 中需要强制 Python 执行浮点除法。）

解决方案 6：

如果你使用的是 python >= 3.4，则有一个统计库

https://docs.python.org/3/library/statistics.html

您可以像这样使用它的均值方法。假设您有一个数字列表，您想找到其均值：-

list = [11, 13, 12, 15, 17]
import statistics as s
s.mean(list)

它还有其他方法，如标准差、方差、众数、调和平均值、中位数等，非常有用。

解决方案 7：

编辑：

我添加了另外两种方法来获取列表的平均值（仅适用于 Python 3.8+）。这是我做的比较：

import timeit
import statistics
import numpy as np
from functools import reduce
import pandas as pd
import math

LIST_RANGE = 10
NUMBERS_OF_TIMES_TO_TEST = 10000

l = list(range(LIST_RANGE))

def mean1():
    return statistics.mean(l)


def mean2():
    return sum(l) / len(l)


def mean3():
    return np.mean(l)


def mean4():
    return np.array(l).mean()


def mean5():
    return reduce(lambda x, y: x + y / float(len(l)), l, 0)

def mean6():
    return pd.Series(l).mean()


def mean7():
    return statistics.fmean(l)


def mean8():
    return math.fsum(l) / len(l)


for func in [mean1, mean2, mean3, mean4, mean5, mean6, mean7, mean8 ]:
    print(f"{func.__name__} took: ",  timeit.timeit(stmt=func, number=NUMBERS_OF_TIMES_TO_TEST))

以下是我得到的结果：

mean1 took:  0.09751558300000002
mean2 took:  0.005496791999999973
mean3 took:  0.07754683299999998
mean4 took:  0.055743208000000044
mean5 took:  0.018134082999999968
mean6 took:  0.6663848750000001
mean7 took:  0.004305374999999945
mean8 took:  0.003203333000000086

有趣！看起来math.fsum(l) / len(l)是最快的方法，然后statistics.fmean(l)，只有然后sum(l) / len(l)。很好！

感谢@Asclepius 向我展示这两种另外的方法！

旧答案：

就效率和速度而言，这些是我测试其他答案得到的结果：

# test mean caculation

import timeit
import statistics
import numpy as np
from functools import reduce
import pandas as pd

LIST_RANGE = 10
NUMBERS_OF_TIMES_TO_TEST = 10000

l = list(range(LIST_RANGE))

def mean1():
    return statistics.mean(l)


def mean2():
    return sum(l) / len(l)


def mean3():
    return np.mean(l)


def mean4():
    return np.array(l).mean()


def mean5():
    return reduce(lambda x, y: x + y / float(len(l)), l, 0)

def mean6():
    return pd.Series(l).mean()



for func in [mean1, mean2, mean3, mean4, mean5, mean6]:
    print(f"{func.__name__} took: ",  timeit.timeit(stmt=func, number=NUMBERS_OF_TIMES_TO_TEST))

结果如下：

mean1 took:  0.17030245899968577
mean2 took:  0.002183011999932205
mean3 took:  0.09744236000005913
mean4 took:  0.07070840100004716
mean5 took:  0.022754742999950395
mean6 took:  1.6689282460001778

显然获胜者是：
sum(l) / len(l)

解决方案 8：

您无需强制转换为浮点数，而是可以将 0.0 添加到总和中：

def avg(l):
    return sum(l, 0.0) / len(l)

解决方案 9：

sum(l) / float(len(l))是正确的答案，但为了完整性，您可以使用一次减少来计算平均值：

>>> reduce(lambda x, y: x + y / float(len(l)), l, 0)
20.111111111111114

请注意，这可能会导致轻微的舍入误差：

>>> sum(l) / float(len(l))
20.111111111111111

解决方案 10：

我尝试使用上述选项，但没有效果。试试这个：

from statistics import mean

n = [11, 13, 15, 17, 19]

print(n)
print(mean(n))

使用 Python 3.5

解决方案 11：

或者使用pandas的Series.mean方法：

pd.Series(sequence).mean()

演示：

>>> import pandas as pd
>>> l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
>>> pd.Series(l).mean()
20.11111111111111
>>>

来自文档：

Series.mean(axis=None, skipna=None, level=None, numeric_only=None, **kwargs)

以下是相关文档：

https://pandas.pydata.org/pandas-docs/stable/ generated/pandas.Series.mean.html

以及整个文档：

https://pandas.pydata.org/pandas-docs/stable/10min.html

解决方案 12：

我在 Udacity 的问题中遇到了类似的问题需要解决。我没有使用内置函数，而是编写了代码：

def list_mean(n):

    summing = float(sum(n))
    count = float(len(n))
    if n == []:
        return False
    return float(summing/count)

比平常要长得多，但对于初学者来说，这相当具有挑战性。

解决方案 13：

作为初学者，我只是编写了这个代码：

L = [15, 18, 2, 36, 12, 78, 5, 6, 9]

total = 0

def average(numbers):
    total = sum(numbers)
    total = float(total)
    return total / len(numbers)

print average(L)

解决方案 14：

如果您想要获得的不仅仅是平均值（又称平均值），您可以查看 scipy 统计数据：

from scipy import stats
l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
print(stats.describe(l))

# DescribeResult(nobs=9, minmax=(2, 78), mean=20.11111111111111, 
# variance=572.3611111111111, skewness=1.7791785448425341, 
# kurtosis=1.9422716419666397)

解决方案 15：

为了用于reduce取移动平均值，您需要跟踪总数以及迄今为止看到的元素总数。因为这不是列表中的简单元素，所以您还必须传递reduce一个额外的参数来折叠。

>>> l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
>>> running_average = reduce(lambda aggr, elem: (aggr[0] + elem, aggr[1]+1), l, (0.0,0))
>>> running_average[0]
(181.0, 9)
>>> running_average[0]/running_average[1]
20.111111111111111

解决方案 16：

两者都可以给出接近的整数值或至少 10 个小数值。但如果您真的考虑长浮点值，两者可能会有所不同。方法可能因您想要实现的目标而异。

>>> l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
>>> print reduce(lambda x, y: x + y, l) / len(l)
20
>>> sum(l)/len(l)
20

浮动值

>>> print reduce(lambda x, y: x + y, l) / float(len(l))
20.1111111111
>>> print sum(l)/float(len(l))
20.1111111111

@Andrew Clark 的说法是正确的。

解决方案 17：

假设

x = [
    [-5.01,-5.43,1.08,0.86,-2.67,4.94,-2.51,-2.25,5.56,1.03],
    [-8.12,-3.48,-5.52,-3.78,0.63,3.29,2.09,-2.13,2.86,-3.33],
    [-3.68,-3.54,1.66,-4.11,7.39,2.08,-2.59,-6.94,-2.26,4.33]
]

你会注意到，它的x尺寸是 3*10，如果你需要获取mean每一行，你可以输入这个

theMean = np.mean(x1,axis=1)

别忘了import numpy as np

解决方案 18：

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]

l = map(float,l)
print '%.2f' %(sum(l)/len(l))

解决方案 19：

使用以下PYTHON代码查找列表中的平均值：

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
print(sum(l)//len(l))

尝试一下，很简单。

解决方案 20：

print reduce(lambda x, y: x + y, l)/(len(l)*1.0)

或者像之前发布的那样

sum(l)/(len(l)*1.0)

1.0 是为了确保你得到浮点除法

解决方案 21：

结合上述几个答案，我得出了以下与 Reduce 一起使用的方法，并且不假设您L在 Reduce 函数中可以使用该方法：

from operator import truediv

L = [15, 18, 2, 36, 12, 78, 5, 6, 9]

def sum_and_count(x, y):
    try:
        return (x[0] + y, x[1] + 1)
    except TypeError:
        return (x + y, 2)

truediv(*reduce(sum_and_count, L))

# prints 
20.11111111111111

解决方案 22：

我想补充另一种方法

import itertools,operator
list(itertools.accumulate(l,operator.add)).pop(-1) / len(l)

解决方案 23：

简单的解决方案是 avemedi-lib

pip install avemedi_lib

并将其添加到您的脚本中

from avemedi_lib.functions import average, get_median, get_median_custom


test_even_array = [12, 32, 23, 43, 14, 44, 123, 15]
test_odd_array = [1, 2, 3, 4, 5, 6, 7, 8, 9]

# Getting average value of list items
print(average(test_even_array))  # 38.25

# Getting median value for ordered or unordered numbers list
print(get_median(test_even_array))  # 27.5
print(get_median(test_odd_array))  # 27.5

# You can use your own sorted and your count functions
a = sorted(test_even_array)
n = len(a)

print(get_median_custom(a, n))  # 27.5

享受。

解决方案 24：

与 不同statistics.mean()，statistics.fmean()适用于具有不同数字类型的对象列表。例如：

from decimal import Decimal
import statistics

data = [1, 4.5, Decimal('3.5')]
statistics.mean(data)     # TypeError
statistics.fmean(data)    # OK

这是因为在底层，mean()使用statistics._sum()which 返回一种数据类型来将平均值转换为（并且 Decimal 不在 Python 的数字层次结构中），而fmean()使用math.fsum()which 只是将数字相加（这也比内置sum()函数快得多）。

这样做的结果是fmean()总是返回浮点数（因为求平均值涉及除法），而 则mean()可能根据数据中的数字类型返回不同的类型。以下示例显示mean()可以返回不同类型，而对于相同的列表，对所有列表都fmean()返回浮点数。3.0

statistics.mean([2, Fraction(4,1)])   # Fraction(3, 1) <--- fractions.Fraction
statistics.mean([2, 4.0])             # 3.0            <--- float
statistics.mean([2, 4])               # 3              <--- int

此外，与 不同sum(data)/len(data)，fmean()（和mean()）不仅适用于列表，还适用于生成器等一般可迭代对象。如果您的数据量很大，并且/或者您需要在计算平均值之前执行即兴过滤，那么这很有用。

例如，如果列表具有 NaN 值，则平均返回 NaN。如果要在忽略 NaN 值的情况下对列表求平均值，可以过滤掉 NaN 值并将生成器传递给fmean：

data = [1, 2, float('nan')]
statistics.fmean(x for x in data if x==x)     # 1.5

请注意，numpy 有一个函数（numpy.nanmean()）可以执行相同的工作。

import numpy as np
np.nanmean(data)                              # 1.5
相关推荐
置顶 政府信创国产化的10大政策解读
政府信创国产化的10大政策解读
  政府信创国产化的10大政策解读一、信创国产化的背景与意义信创国产化，即信息技术应用创新国产化，是当前中国信息技术领域的一个重要发展方向。其核心在于通过自主研发和创新，实现信息技术应用的自主可控，减少对外部技术的依赖，并规避潜在的技术制裁和风险。随着全球信息技术竞争的加剧，以及某些国家对中国在科技领域的打压，信创国产化显...
工程项目管理   1565  
置顶 2025年20款好用的项目管理软件推荐，项目管理提效的20个工具和技巧
2025年20款好用的项目管理软件推荐，项目管理提效的20个工具和技巧
  为什么项目管理通常仍然耗时且低效？您是否还在反复更新电子表格、淹没在便利贴中并参加每周更新会议？这确实是耗费时间和精力。借助软件工具的帮助，您可以一目了然地全面了解您的项目。如今，国内外有足够多优秀的项目管理软件可以帮助您掌控每个项目。什么是项目管理软件？项目管理软件是广泛行业用于项目规划、资源分配和调度的软件。它使项...
项目管理软件   1354  
信创国产芯片如何推动自主可控生态建设
信创国产芯片如何推动自主可控生态建设
  信创国产芯片作为信息技术创新的核心领域，对于推动国家自主可控生态建设具有至关重要的意义。在全球科技竞争日益激烈的背景下，实现信息技术的自主可控，摆脱对国外技术的依赖，已成为保障国家信息安全和产业可持续发展的关键。国产芯片作为信创产业的基石，其发展水平直接影响着整个信创生态的构建与完善。通过不断提升国产芯片的技术实力、产...
国产信创系统   21  
信创生态建设中的5个关键挑战与解决方案
信创生态建设中的5个关键挑战与解决方案
  信创生态建设旨在实现信息技术领域的自主创新和安全可控，涵盖了从硬件到软件的全产业链。随着数字化转型的加速，信创生态建设的重要性日益凸显，它不仅关乎国家的信息安全，更是推动产业升级和经济高质量发展的关键力量。然而，在推进信创生态建设的过程中，面临着诸多复杂且严峻的挑战，需要深入剖析并寻找切实可行的解决方案。技术创新难题技...
信创操作系统   27  
信创国产芯片的研发难点与解决方案
信创国产芯片的研发难点与解决方案
  信创产业作为国家信息技术创新发展的重要领域，对于保障国家信息安全、推动产业升级具有关键意义。而国产芯片作为信创产业的核心基石，其研发进展备受关注。在信创国产芯片的研发征程中，面临着诸多复杂且艰巨的难点，这些难点犹如一道道关卡，阻碍着国产芯片的快速发展。然而，科研人员和相关企业并未退缩，积极探索并提出了一系列切实可行的解...
国产化替代产品目录   28  
热门文章
项目管理软件
政府信创国产化的10大政策解读
2025soft
2025年20款好用的项目管理软件推荐，项目管理提效的20个工具和技巧
img020
使用 Python 'Requests' 模块的代理
img044
10个项目管理常见问题解答：包括难点和解决方法
项目管理软件
项目延期的原因有哪些？如何有效预防和管理？
项目里程碑计划模板
项目里程碑计划模板怎么写?设定项目里程碑的5个方法
项目管理软件
项目管理指南：制定项目实施计划的6大步骤有哪些？
项目管理软件有哪些？
热门标签
更多>
IPD流程 项目管理 IT项目管理 敏捷开发 项目管理软件 Scrum 敏捷项目管理 IPD流程管理 项目风险管理 项目管理工具 项目经理 极限编程  产品管理  项目经理职责 项目路线图 项目进度管理 团队管理 测试管理工具 项目预算管理 PMP认证 瀑布式管理 项目范围管理 IT科技 项目管理平台 工程项目管理 项目资源管理 pmp证书考试
云禅道AD
禅道项目管理软件

云端的项目管理软件

尊享禅道项目软件收费版功能

无需维护，随时随地协同办公

内置subversion和git源码管理

每天备份，随时转为私有部署

免费试用