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

Ich merke das

In [30]: np.mean([1, 2, 3])
Out[30]: 2.0

In [31]: np.average([1, 2, 3])
Out[31]: 2.0

Allerdings sollte es einige Unterschiede geben, da es sich schließlich um zwei unterschiedliche Funktionen handelt.

Was sind die Unterschiede zwischen ihnen?

np.average akzeptiert einen optionalen Gewichtungsparameter. Wenn es nicht geliefert wird, sind sie gleichwertig. Schauen Sie sich den Quellcode an: Bedeuten, Durchschnitt

np.Mittelwert:

try:
    mean = a.mean
except AttributeError:
    return _wrapit(a, 'mean', axis, dtype, out)
return mean(axis, dtype, out)

np.Durchschnitt:

...
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
...

np.mean berechnet immer ein arithmetisches Mittel und hat einige zusätzliche Eingabe- und Ausgabeoptionen (z. B. welche Datentypen verwendet werden sollen, wo das Ergebnis platziert werden soll).

np.average kann einen gewichteten Durchschnitt berechnen, wenn die weights Parameter geliefert wird.

In einigen Versionen von numpy Es gibt einen weiteren wichtigen Unterschied, den Sie beachten müssen:

average Berücksichtigen Sie keine Masken, berechnen Sie also den Durchschnitt über den gesamten Datensatz.

mean berücksichtigt Masken, berechnet also den Mittelwert nur über unmaskierte Werte.

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

Zusätzlich zu den bereits erwähnten Unterschieden gibt es einen weiteren äußerst wichtigen Unterschied, den ich gerade auf die harte Tour entdeckt habe: anders np.mean, np.average erlaubt das nicht dtype Schlüsselwort, das in manchen Fällen unerlässlich ist, um korrekte Ergebnisse zu erhalten. Ich habe ein sehr großes Array mit einfacher Genauigkeit, auf das von an zugegriffen wird h5 Datei. Wenn ich den Mittelwert entlang der Achsen 0 und 1 nehme, erhalte ich völlig falsche Ergebnisse, es sei denn, ich gebe etwas an 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

Leider können Sie nicht unbedingt sagen, dass Ihre Ergebnisse falsch sind, es sei denn, Sie wissen, wonach Sie suchen müssen. Ich werde nie verwenden np.average wieder aus diesem Grund aber immer verwenden np.mean(.., dtype="float64") auf jedem großen Array. Wenn ich einen gewichteten Durchschnitt möchte, berechne ich ihn explizit mit dem Produkt aus dem Gewichtsvektor und dem Zielarray und dann entweder np.sum oder np.meansoweit angemessen (auch mit angemessener Genauigkeit).

In Ihrem Aufruf sind die beiden Funktionen identisch.

average kann aber einen gewichteten Durchschnitt berechnen.

Doc-Links: mean und average