logo

numpy.mean() في بايثون

يُعرف مجموع العناصر مع المحور مقسومًا على عدد العناصر باسم المتوسط ​​الحسابي . يتم استخدام الدالة numpy.mean() لحساب الوسط الحسابي على طول المحور المحدد.

ترجع هذه الدالة متوسط ​​عناصر المصفوفة. افتراضيًا، يتم أخذ المتوسط ​​على المصفوفة المسطحة. بخلاف ذلك، على المحور المحدد، يكون التعويم 64 متوسطًا ويتم استخدام قيم الإرجاع للمدخلات الصحيحة

بناء الجملة

 numpy.mean(a, axis=None, dtype=None, out=None, keepdims=) 

حدود

هذه هي المعلمات التالية في الدالة numpy.mean():

أسئلة المقابلة في لغة جافا

ج: array_like

تحدد هذه المعلمة المصفوفة المصدر التي تحتوي على العناصر التي يكون متوسطها مرغوبًا. في مثل هذه الحالة حيث لا يكون 'a' مصفوفة، تتم محاولة التحويل.

المحور: لا شيء، int أو مجموعة من ints (اختياري)

تحدد هذه المعلمة المحور الذي يتم من خلاله حساب المتوسطات. افتراضيًا، يتم حساب المتوسط ​​للمصفوفة المسطحة. في الإصدار 1.7.0، إذا كان هذا عبارة عن مجموعة من ints، فسيتم تنفيذ المتوسط ​​على محاور متعددة، بدلاً من محور واحد أو جميع المحاور كما كان من قبل.

dtype: نوع البيانات (اختياري)

يتم استخدام هذه المعلمة لتحديد نوع البيانات المستخدم في حساب المتوسط. بالنسبة للمدخلات الصحيحة، يكون الإعداد الافتراضي هو float64، وبالنسبة لمدخلات الفاصلة العائمة، فهو نفس نوع الإدخال dtype.

خارج: ndarray (اختياري)

تحدد هذه المعلمة مصفوفة إخراج بديلة سيتم وضع النتيجة فيها. يجب أن يكون شكل المصفوفة الناتجة هو نفس شكل المخرجات المتوقعة. سيتم إلقاء نوع قيم الإخراج عند الضرورة.

keepdims: منطقي (اختياري)

عندما تكون القيمة صحيحة، يتم ترك المحور المخفض كأبعاد بحجم واحد في المخرجات/النتيجة. كما يتم بث النتيجة بشكل صحيح مقابل صفيف الإدخال. عند تعيين القيمة الافتراضية، لا تمر keepdims عبر الطريقة المتوسطة للفئات الفرعية لـ ndarray، ولكن سيتم تمرير أي قيمة غير افتراضية بالتأكيد. في حالة عدم تنفيذ طريقة الفئة الفرعية keepdims، فمن المؤكد أن هناك استثناءً سيظهر.

يعود

إذا قمنا بتعيين المعلمة 'out' على لا أحد ، تقوم هذه الدالة بإرجاع مصفوفة جديدة تحتوي على القيم المتوسطة. وإلا، فإنه سيتم إرجاع المرجع إلى مجموعة الإخراج.

مثال 1:

 import numpy as np a = np.array([[1, 2], [3, 4]]) b=np.mean(a) b x = np.array([[5, 6], [7, 34]]) y=np.mean(x) y 

انتاج:

 2.5 13.0 

في الكود أعلاه

  • لقد قمنا باستيراد numpy بالاسم المستعار np.
  • لقد أنشأنا مصفوفتين 'a' و'x' باستخدام الدالة np.array().
  • لقد أعلنا عن المتغيرين 'b' و'y' وقمنا بتعيين القيمة المرجعة للدالة np.zeros().
  • لقد مررنا المصفوفتين 'a' و'x' في الدالة.
  • وأخيرًا، حاولنا طباعة قيمة 'b' و'y'.

مثال 2:

 import numpy as np a = np.array([[2, 4], [3, 5]]) b=np.mean(a,axis=0) c=np.mean(a,axis=1) b c 

انتاج:

 array([2.5, 4.5]) array([3., 4.]) 

مثال 3:

في دقة واحدة، يمكن أن يكون المتوسط ​​غير دقيق:

 import numpy as np a = np.zeros((2, 512*512), dtype=np.float32) a[0, :] = 23.0 a[1, :] = 32.0 c=np.mean(a) c 

انتاج:

 27.5 

في الكود أعلاه

  • لقد قمنا باستيراد numpy بالاسم المستعار np.
  • لقد أنشأنا مصفوفة 'a' باستخدام الدالة np.zeros() مع dtype float32.
  • لقد قمنا بتعيين قيمة جميع عناصر الصف الأول على 23.0 والصف الثاني على 32.0.
  • لقد مررنا المصفوفة 'a' في الدالة وقمنا بتعيين القيمة المرجعة للدالة np.mean().
  • وأخيرًا، حاولنا طباعة قيمة 'c'.

في الإخراج، يظهر متوسط ​​الصفيف 'أ'.

مثال 4:

يعد حساب المتوسط ​​​​في float64 أكثر دقة:

 import numpy as np a[0, :] = 2.0 a[1, :] = 0.2 c=np.mean(a) c d=np.mean(a, dtype=np.float64) d 

انتاج:

 1.0999985 1.1000000014901161