Python 中计算平均值 (mean) 的常用方法
在 Python 中，计算一组数据的平均值（算术平均数）有多种方式，具体取决于你的应用场景（是简单的基础计算，还是大规模的数据科学处理）。
使用原生 Python 实现
如果你不想引入任何第三方库,可以使用内置的 sum() 和 len() 函数进行手动计算，这是最基础的方法。
- 代码示例：
data = [10, 20, 30, 40, 50] mean_value = sum(data) / len(data) print(f"平均值是: {mean_value}") - 优点：无需安装任何库，执行速度快（针对极小规模数据）。
- 缺点：无法直接处理缺失值（NaN），且在处理多维数组时非常麻烦。
使用内置 statistics 模块
Python 的标准库中自带了一个 statistics 模块，专门用于统计学计算。
- 代码示例：
import statistics
data = [10, 20, 30, 40, 50]
mean_value = statistics.mean(data)
print(f”平均值是: {mean_value}”)
- 优点：标准库自带，无需额外安装；代码语义化强，易于阅读。 - 缺点：性能在大规模数据集上不如 NumPy。 --- ### 3. 使用 NumPy 库 (推荐用于科学计算) 如果你正在处理矩阵、向量或大规模数值计算，NumPy 是行业标准。 - 代码示例： ```python import numpy as np data = [10, 20, 30, 40, 50] # 也可以直接传入多维数组 mean_value = np.mean(data) print(f"平均值是: {mean_value}") # 计算多维数组每一列的平均值 matrix = np.array([[1, 2], [3, 4]]) col_mean = np.mean(matrix, axis=0) print(f"每一列的平均值: {col_mean}")
- 优点：性能极高，支持多维数组操作，功能极其强大。
- 缺点：需要通过
pip install numpy安装第三方库。
使用 Pandas 库 (推荐用于数据分析)
如果你在处理表格数据（如 CSV、Excel 文件），Pandas 是最方便的选择，它能够非常优雅地处理含有缺失值 (NaN) 的数据。
- 代码示例：
import pandas as pd
data = {‘scores’: [10, 20, 30, None, 50]} # 注意这里有一个缺失值
df = pd.DataFrame(data)
Pandas 会自动忽略 NaN 值进行计算
mean_value = df[‘scores’].mean()
print(f”平均值是: {mean_value}”)
- 优点：自动处理缺失值，非常适合处理结构化数据和清洗数据。
- 缺点：对于简单的数值计算来说，内存开销较大。
---
### 总结与建议
| 方法 | 适用场景 | 核心优势 |
| :--- | :--- | :--- |
| 原生 Python | 极小规模、无依赖需求 | 零依赖 |
| `statistics` 模块 | 基础统计任务 | 标准库支持 |
| NumPy | 科学计算、矩阵运算、大规模数值 | 极致性能 |
| Pandas | 数据分析、处理表格、处理缺失值 | 处理复杂数据结构 |首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/python%e5%a6%82%e4%bd%95%e8%ae%a1%e7%ae%97%e5%b9%b3%e5%9d%87%e5%80%bc%ef%bc%8cpython%e6%b1%82%e5%b9%b3%e5%9d%87%e5%80%bc%e7%9a%84%e6%96%b9%e6%b3%95%e6%9c%89%e5%93%aa%e4%ba%9b%ef%bc%9f/
