使用numpy.mean() 计算矩阵均值方式
目录
numpy.mean计算矩阵均值
均值函数numpy.mean
mean是numpy中常用的求均值函数
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软件开发网。
