使用numpy.mean() 计算矩阵均值方式_python_

numpy.mean计算矩阵均值

计算矩阵的均值

>>> a = np.array([[1, 2], [3, 4]]) >>> np.mean(a) # 将上面二维矩阵的每个元素相加除以元素个数（求平均数） 2.5 >>> np.mean(a, axis=0) # axis=0，计算每一列的均值 array([ 2.,  3.]) >>> np.mean(a, axis=1) # 计算每一行的均值 array([ 1.5,  3.5])

官方手册

均值函数numpy.mean

mean是numpy中常用的求均值函数

现将mean的常用方法总结如下：

函数体：

numpy.mean(a, axis=None, dtype=None, out=None, keepdims= < class ‘numpy._globals._NoValue'>)[source]

功能：

• 计算指定轴的算术平均值。
• 返回数组元素的平均值。默认的情况下，求均值的操作在平展开来的数组上进行，否则就在指定的轴上。

参数：

①a：必须是数组。

②axis：默认条件下是flatten的array，可以指定相应的轴。

如果是二维矩阵，axis=0返回纵轴的平均值，axis=1返回横轴的平均值。

例子如下：

>>> 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])

• 你也可以用a.mean(1)来代替np.mean(a,axis=1)
• 这样子更简洁

返回值：

在out=None的情况下，返回的就是你要的平均值呗~

否则，返回一个对平均值的引用。

注意(关于精度)：

算术平均值是沿轴的元素总和除以元素的数量。既然是除法，就涉及到一个精确度的问题。

对于浮点输入，平均值的计算使用与输入相同的精度计算，这可能会导致结果不准确，特别是对于float32来说。为了缓解这个问题，我们可以使用dtype关键字指定更高精度的累加器。

具体看下面这个例程：

>>> a = np.zeros((2, 512*512), dtype=np.float32) >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.mean(a) 0.54999924

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

如果想要返回标准差，可以调用标准差函数

std = sqrt（平均值（abs（x-x.mean（））** 2））

>>> a = np.array([[1, 2], [3, 4]]) >>> np.std(a) 1.1180339887498949 >>> np.std(a, axis=0) array([ 1.,  1.]) >>> np.std(a, axis=1) array([ 0.5,  0.5])

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。

提示： 本文由神整理自网络，如有侵权请联系本站删除！
本站声明：
1、本站所有资源均来源于互联网，不保证100%完整、不提供任何技术支持；
2、本站所发布的文章以及附件仅限用于学习和研究目的;不得将用于商业或者非法用途；否则由此产生的法律后果，本站概不负责！