Tính toán trung bình số học dọc theo trục được chỉ định.
Trả về trung bình của các phần tử mảng. Trung bình được lấy qua mảng phẳng theo mặc định, nếu không thì trên trục được chỉ định. float64
Các giá trị trung gian và trả về được sử dụng cho các đầu vào số nguyên.
Mảng chứa các số có giá trị trung bình là mong muốn. Nếu A không phải là một mảng, một chuyển đổi được thử.
trục hoặc int hoặc tuple của int, tùy chọnNone or int or tuple of ints, optionalTrục hoặc trục dọc theo đó các phương tiện được tính toán. Mặc định là tính toán giá trị trung bình của mảng phẳng.
Mới trong phiên bản 1.7.0.
Nếu đây là một bộ dữ liệu của INT, một giá trị trung bình được thực hiện trên nhiều trục, thay vì một trục đơn hoặc tất cả các trục như trước đây.
Loại để sử dụng trong tính toán trung bình. Đối với đầu vào số nguyên, mặc định là float64
; Đối với đầu vào điểm nổi, nó giống như DTYPE đầu vào.
Mảng đầu ra thay thế để đặt kết quả. Mặc định là None
; Nếu được cung cấp, nó phải có hình dạng giống như đầu ra dự kiến, nhưng loại sẽ được đúc nếu cần thiết. Xem Xác định loại đầu ra để biết thêm chi tiết.Output type determination for more details.
Nếu điều này được đặt thành TRUE, các trục bị giảm được để lại trong kết quả là kích thước với kích thước một. Với tùy chọn này, kết quả sẽ phát sóng chính xác so với mảng đầu vào.
Nếu giá trị mặc định được thông qua, thì KeepDim sẽ không được chuyển qua phương thức mean
của các lớp phụ của ndarray
, tuy nhiên bất kỳ giá trị không mặc định nào cũng sẽ được. Nếu phương thức lớp phụ không thực hiện được, bất kỳ trường hợp ngoại lệ nào cũng sẽ được nêu ra.
Các yếu tố cần bao gồm trong giá trị trung bình. Xem reduce
để biết chi tiết.
Mới trong phiên bản 1.20.0.
Nếu out = Không có, hãy trả về một mảng mới chứa các giá trị trung bình, nếu không, một tham chiếu đến mảng đầu ra được trả về.
Ghi chú
Giá trị trung bình số học là tổng của các phần tử dọc theo trục chia cho số lượng phần tử.
Lưu ý rằng đối với đầu vào điểm nổi, giá trị trung bình được tính toán bằng cách sử dụng cùng độ chính xác mà đầu vào có. Tùy thuộc vào dữ liệu đầu vào, điều này có thể khiến kết quả không chính xác, đặc biệt là đối với
>>> a = np.zeros[[2, 512*512], dtype=np.float32] >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean[a] 0.549999240 [xem ví dụ bên dưới]. Chỉ định một bộ tích lũy có độ chính xác cao hơn bằng cách sử dụng từ khóa
>>> a = np.zeros[[2, 512*512], dtype=np.float32] >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean[a] 0.549999241 có thể làm giảm bớt vấn đề này.
Theo mặc định, kết quả
>>> a = np.zeros[[2, 512*512], dtype=np.float32] >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean[a] 0.549999242 được tính toán bằng cách sử dụng các trung gian
>>> a = np.zeros[[2, 512*512], dtype=np.float32] >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean[a] 0.549999240 để có độ chính xác cao hơn.
Ví dụ
>>> 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]]
Trong một độ chính xác đơn, mean
có thể không chính xác:
>>> a = np.zeros[[2, 512*512], dtype=np.float32] >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean[a] 0.54999924
Tính toán trung bình trong float64 chính xác hơn:
>>> np.mean[a, dtype=np.float64] 0.55000000074505806 # may vary
Chỉ định một nơi đối số:
>>> a = np.array[[[5, 9, 13], [14, 10, 12], [11, 15, 19]]] >>> np.mean[a] 12.0 >>> np.mean[a, where=[[True], [False], [False]]] 9.0