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

Question

我注意到了

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,因为毕竟它们是两个不同的功能.

它们之间有什么区别？

Answer 1

np.average采用可选的权重参数.如果没有提供它们是等效的.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
...

Answer 2

np.mean 始终计算算术平均值,并为输入和输出提供一些附加选项(例如,要使用的数据类型,放置结果的位置).

np.average如果weights提供参数,则可以计算加权平均值.

Answer 3

在某些版本的numpy中,您必须注意另一个重要的区别:

average 不要考虑帐户掩码,因此计算整个数据集的平均值.

mean 接受帐户掩码,因此仅计算未屏蔽值的均值.

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

Answer 4

除了已经注意到的差异之外，还有另一个非常重要的差异，我刚刚发现了它的艰难方式：不同np.mean，np.average不允许使用dtype关键字，这对于在某些情况下获得正确结果至关重要。我有一个从h5文件访问的非常大的单精度数组。如果我沿 0 轴和 1 轴取平均值，除非我指定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，除非您知道要查找什么，否则您不一定能判断出您的结果是错误的。np.average由于这个原因，我永远不会再使用，但将始终np.mean(.., dtype='float64')在任何大型阵列上使用。如果我想的加权平均，我会计算它明确地使用权重向量的乘积和所述目标阵列，然后或者np.sum或np.mean酌情（具有适当的精度以及）。