numpy.mean

numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue>)

沿指定轴计算算术平均值。

返回数组元素的平均值。默认情况下，平均数取平展数组，否则在指定轴上。float64中间和返回值用于整数输入。

参数：

a：array_like

数组包含需要平均值的数字。如果a不是数组，则尝试进行转换。

axis：无或int或tuple ints，可选

计算平均值的轴或轴。默认值是计算平展数组的平均值。

如果这是一个ints的元组，平均值在多个轴上执行，而不是像以前一样执行单个轴或所有轴。

dtype：数据类型，可选

用于计算平均值的类型。对于整数输入，默认值为float64；对于浮点输入，它与输入dtype相同。

out：ndarray，可选

备用输出放置结果的数组。默认值为None；如果提供，它必须具有与预期输出相同的形状，但如果必要，将投射类型。有关详细信息，请参阅doc.ufuncs。

keepdims：bool，可选

如果设置为True，则缩小的轴在结果中保留为尺寸为1的尺寸。使用此选项，结果将相对于原始arr正确广播。

如果传递默认值，则keepdims将不会传递到ndarray的子类的mean如果子类sum方法不实现keepdims，则会引发任何异常。

返回：

m：ndarray，请参阅上面的dtype参数

如果out = None，则返回包含平均值的新数组，否则将返回对输出数组的引用。

也可以看看

average

加权平均

std，var，nanmean，nanstd，nanvar

笔记

算术平均值是沿着轴的元素的总和除以元素的数量。

请注意，对于浮点输入，使用输入具有的相同精度计算平均值。根据输入数据，这可能导致结果不准确，特别是对于float32（请参见下面的示例）。使用dtype关键字指定更高精度的累加器可以缓解此问题。

例子

>>> a = np.array([[1, 2], [3, 4]])
>>> np.mean(a)
2.5
>>> np.mean(a, axis=0)
array([ 2.,  3.])
>>> np.mean(a, axis=1)
array([ 1.5,  3.5])

在单精度中，mean可能不准确：

>>> a = np.zeros((2, 512*512), dtype=np.float32)
>>> a[0, :] = 1.0
>>> a[1, :] = 0.1
>>> np.mean(a)
0.546875

在float64中计算均值更准确：

>>> np.mean(a, dtype=np.float64)
0.55000000074505806