Python NumPy中的np.mean（）vs np.average（）吗？

190

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，应该存在一些差异，因为它们毕竟是两个不同的功能。

它们之间有什么区别？

— 西布斯赌博
source

20

实际上，据我所知，文档并没有立即明确说明。并不是说不可能说出来，但是我认为这个问题对于Stack Overflow都是一样的。

— BlackVegetable

1

numpy.mean：返回数组元素的平均值。

— joaquin

@joaquin：“计算沿指定轴的算术平均值。” vs“计算沿指定轴的加权平均值。”？

— Blender

@Blender的权利。我只是想对您的评论做出一种有趣的回应，因为如果按照您的指示，我在numpy.mean文档中读到的第一件事就是numpy.mean：返回数组元素的平均值，如果您是寻找OP问题的答案。

— joaquin

181

np.average采用可选的权重参数。如果未提供，则等效。看一下源代码：Mean，Average

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
...

— 锤子
source

60

为什么它们提供两种不同的功能？似乎他们应该提供，np.average因为weights已经是可选的。似乎不必要，只会使用户感到困惑。

— 杰夫2015年

6

@Geoff我宁愿让他们抛出NotImplementedException作为“平均值”，以教育用户算术平均值与“平均值”不同。

— FooBar

26

np.mean 总是计算算术平均值，并具有一些用于输入和输出的其他选项（例如，使用什么数据类型，将结果放置在何处）。

np.average如果weights提供了参数，则可以计算加权平均值。

— 琥珀色
source

24

在某些版本的numpy中，您必须意识到另一个重要的区别：

average 不考虑掩码，因此请计算整个数据集的平均值。

mean 考虑到掩码，因此仅对未掩码的值计算平均值。

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

— 通用汽车
source

1

注意：np.ma.average作品。另外，还有一个错误报告。

— Neil G

2

在您的调用中，两个函数是相同的。

average 可以计算加权平均值。

Doc链接：mean和average

— Prashant Kumar
source

0

除了已经指出的差异之外，还有另一个非常重要的差异，我刚刚发现了很难的方法：与不同np.mean，np.average不允许使用dtype关键字，这在某些情况下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文件访问它。如果我沿轴0和1取平均值，除非指定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，除非您知道要查找的内容，否则不一定能说出结果是错误的。np.average由于这个原因，我将不再使用，但将始终np.mean(.., dtype='float64')在任何大型阵列上使用。如果我想要一个加权平均数，我将使用权重向量和目标数组的乘积，然后再加上np.sum或np.mean，适当地（也具有适当的精度），对它进行显式计算。

— 格兰特·佩蒂
source