Нахождение среднего значения списка

Для того чтобы вычислить среднее значение элементов в списке xs, вы можете использовать следующий код на Python:

xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]
average = sum(xs) / len(xs)

В этом коде sum(xs) вычисляет сумму всех элементов в списке, а len(xs) возвращает количество элементов в списке. Делая деление sum(xs) / len(xs), вы получаете среднее арифметическое значений в списке xs.

Помните, что если список пустой (то есть, len(xs) равен 0), это вызовет ZeroDivisionError. Поэтому полезно добавить проверку, чтобы избежать этой ошибки:

if len(xs) > 0:
    average = sum(xs) / len(xs)
else:
    average = 0  # или любое другое значение по вашему выбору

Таким образом, вы вычислите среднее значение безопасно.

Использование функции reduce() для вычисления среднего значения списка может показаться избыточным, когда в Python уже есть функция sum(), которая делает именно это. Тем не менее, есть несколько причин, по которым вы могли бы предпочесть reduce() в некоторых ситуациях:

1. Гибкость: reduce() позволяет вам применить более сложные операции, которые могут комбинировать элементы списка несколькими способами. Например, вы можете рассчитывать взвешенное среднее или производить другие агрегирующие операции в одном месте.

2. Читаемость: В специфичных случаях использование reduce() может сделать код более понятным для тех, кто привык к функциональному стилю программирования. Однако это довольно субъективно.

3. Обучение концепциям функционального программирования: Если вы стремитесь изучить или научить других концепции функционального программирования, использование reduce() может быть хорошей практикой для демонстрации этого подхода.

Тем не менее, если ваша единственная цель — вычисление среднего, и нет дополнительных требований к вычислениям, то функция sum() в сочетании с len() — это самый простой и читаемый способ:

average = sum(l) / float(len(l))

Так что если ваша задача заключается только в нахождении среднего, использование sum() действительно будет более оптимальным решением.

Если вы используете Python версии 3.4 или выше, у вас есть библиотека для работы со статистикой.

Вы можете ознакомиться с документацией по этой ссылке: https://docs.python.org/3/library/statistics.html

Для вычисления среднего арифметического вы можете использовать метод mean. Предположим, у вас есть список чисел, для которых вы хотите найти среднее значение:

my_list = [11, 13, 12, 15, 17]
import statistics as s
s.mean(my_list)

Кроме того, в этой библиотеке есть и другие полезные методы, такие как stdev (стандартное отклонение), variance (дисперсия), mode (мода), harmonic mean (гармоническое среднее), median (медиана) и др.

Редактировать:

Я добавил два других способа вычисления среднего значения списка (они актуальны только для Python 3.8 и выше). Вот сравнительный анализ, который я провел:

import timeit
import statistics
import numpy as np
from functools import reduce
import pandas as pd
import math

LIST_RANGE = 10
NUMBERS_OF_TIMES_TO_TEST = 10000

l = list(range(LIST_RANGE))

def mean1():
    return statistics.mean(l)

def mean2():
    return sum(l) / len(l)

def mean3():
    return np.mean(l)

def mean4():
    return np.array(l).mean()

def mean5():
    return reduce(lambda x, y: x + y / float(len(l)), l, 0)

def mean6():
    return pd.Series(l).mean()

def mean7():
    return statistics.fmean(l)

def mean8():
    return math.fsum(l) / len(l)

for func in [mean1, mean2, mean3, mean4, mean5, mean6, mean7, mean8]:
    print(f"{func.__name__} took: ", timeit.timeit(stmt=func, number=NUMBERS_OF_TIMES_TO_TEST))

Вот результаты, которые я получил:

mean1 took:  0.09751558300000002
mean2 took:  0.005496791999999973
mean3 took:  0.07754683299999998
mean4 took:  0.055743208000000044
mean5 took:  0.018134082999999968
mean6 took:  0.6663848750000001
mean7 took:  0.004305374999999945
mean8 took:  0.003203333000000086

Интересно! Похоже, что math.fsum(l) / len(l) является самым быстрым способом, затем идет statistics.fmean(l), и только потом sum(l) / len(l). Отлично!

Спасибо @Asclepius за то, что показал мне эти два других способа!

СТАРЫЙ ОТВЕТ:

С точки зрения эффективности и скорости, вот результаты, которые я получил, тестируя другие ответы:

# тест вычисления среднего значения

import timeit
import statistics
import numpy as np
from functools import reduce
import pandas as pd

LIST_RANGE = 10
NUMBERS_OF_TIMES_TO_TEST = 10000

l = list(range(LIST_RANGE))

def mean1():
    return statistics.mean(l)

def mean2():
    return sum(l) / len(l)

def mean3():
    return np.mean(l)

def mean4():
    return np.array(l).mean()

def mean5():
    return reduce(lambda x, y: x + y / float(len(l)), l, 0)

def mean6():
    return pd.Series(l).mean()

for func in [mean1, mean2, mean3, mean4, mean5, mean6]:
    print(f"{func.__name__} took: ", timeit.timeit(stmt=func, number=NUMBERS_OF_TIMES_TO_TEST))

и результаты:

mean1 took:  0.17030245899968577
mean2 took:  0.002183011999932205
mean3 took:  0.09744236000005913
mean4 took:  0.07070840100004716
mean5 took:  0.022754742999950395
mean6 took:  1.6689282460001778

Таким образом, очевидный победитель — это: sum(l) / len(l)

Вместо приведения к типу float можно просто добавить 0.0 к сумме:

def avg(l):
    return sum(l, 0.0) / len(l)

Такой подход гарантирует, что результат будет в формате числа с плавающей запятой, даже если все элементы входного списка являются целыми числами.