计算平均值

参考这里 ¹

方法

方法	说明
`sum` 和 `len`	使用 `sum` 和 `len` 内置函数对列表中的数据进行处理。好处是，不必遍历元素，减少代码长度。
`mean`	使用统计 `statistics` 模块中的均值函数轻松计算 `平均值`。
`numpy.mean`	`numpy` 库是用于大型多维数组的常用库。它还具有大量输血函数，可用于数组以执行各种任务。一个重要的功能是 `mean()` 函数，该函数将为我们提供给定列表的平均值。

示例

以 l = [106, 105, 101] 为例，

avg = sum(l) / len(l)
print(avg)
'''104.0'''from statistics import mean
avg = mean(l)
print(avg)
'''104'''import numpy as np
avg = np.mean(l)
print(avg)
'''104.0'''

几何平均值

参考这里 ²

方法

方法	说明
`np.exp(np.mean(np.log(iterable)))`

`statistics.geometric_mean`	从 `Python 3.8` 开始，标准库随 `geometric_mean` 函数一起作为 `statistics` 模块的一部分。
`scipy.stats.mstats.gmean`	`scipy` 中有 `gmean()`，它可能比自定义实现更快，并且在数值上更稳定。
`scipy.stats.gmean`
`df.product()**(1/len(df))`

示例

以 l = [106, 105, 101] 为例，

import numpy as np
geomean = np.exp(np.mean(np.log(l)))
print(geomean)
# 103.97737426933523from statistics import geometric_mean
geomean = geometric_mean(l)
print(geomean)
# 103.97737426933523from scipy.stats.mstats import gmean
geomean = gmean(l)
print(geomean)
# 103.97737426933523from scipy import stats
geomean = stats.gmean(l)
print(geomean)
# 103.97737426933523import pandas as pd
dfl = pd.DataFrame(l)
geomean=dfl.product()**(1/len(dfl))
print(geomean)
# 0    103.977374
# dtype: float64

近似

方法

判断近似与否

方法

math.isclose()

math.isclose()，该方法返回用于检查两个值是否彼此接近，如果值接近，则返回 True，否则返回 False。根据给定的绝对和相对容差确定两个值是否被认为是接近的 ³。

计算公式为 abs(a-b) <= max(rel_tol * max(abs(a), abs(b)), abs_tol)

语法如下，

math.isclose(a, b, *, rel_tol=1e-09, abs_tol=0.0)

参数说明：

a – 必需，数字。如果 x 不是一个数字，返回 TypeError。如果值为 0 或负数，则返回 ValueError。
b – 必需，数字。如果 x 不是一个数字，返回 TypeError。如果值为 0 或负数，则返回 ValueError。
rel_tol – 是相对容差，它是 a 和 b 之间允许的最大差值，相对于 a 或 b 的较大绝对值。例如，要设置 5％ 的容差，请传递 rel_tol=0.05。默认容差为 1e-09，确保两个值在大约 9 位十进制数字内相同。rel_tol 必须大于零。
abs_tol – 是最小绝对容差，对于接近零的比较很有用。abs_tol 必须至少为零。

返回值：
返回一个布尔值，检查两个值是否彼此接近，如果值接近，则返回 True，否则返回 False。

示例

import math# 输出两个值是否接近
print(math.isclose(8.0, 8.45, abs_tol = 0.4))
# False
print(math.isclose(8.0, 8.45, abs_tol = 0.5))
# True# 可用于浮点数判断
print(0.1+0.2==0.3)
# False
print(math.isclose(0.1+0.2, 0.3))
# True