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])
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：
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])
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。
