如何在Python中计算列表的平均值？
[1, 2, 3, 4] ⟶ 2.5
25个回答
832
对于Python 3.8+，使用statistics.fmean 来保证在使用浮点数时具有数值稳定性。(速度更快)
对于Python 3.4+，使用statistics.mean 来保证在使用浮点数时具有数值稳定性。(速度较慢)
xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]
import statistics
statistics.mean(xs) # = 20.11111111111111
对于较旧的Python 3版本，请使用
sum(xs) / len(xs)
对于Python 2，将len转换为浮点数以获得浮点除法：
sum(xs) / float(len(xs))
- Herms
8
7正如我所说，我对此还很陌生，一开始认为需要使用循环或其他方式来计算其中数字的数量，没有意识到可以直接使用长度(length)。这是我用Python做的第一件事情。 - Carla Dessi
3如果总和是一个无法适应int/float的大数字怎么办？ - Foo Bar User
6那么您应该计算 k = 1.0/len(l)，然后进行缩减操作：reduce(lambda x, y: x + y * k, l)。 - Arseniy
因为我看不出为什么在关于平均值计算的问题上reduce和lambda应该位于顶部，所以被downvote了。 - n611x007
他应该使用sum，因为Guido建议尽量避免使用reduce。 - Jules G.M.
显示剩余3条评论
592
xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]
sum(xs) / len(xs)
- yprez
3
35作为C++程序员，这真是太酷了，float类型一点也不难看！ - lahjaton_j
3如果你想要在小数点后保留一些数字，这段代码可能会很有用：
float('%.2f' % float(sum(l) / len(l)))。 - Steinfeld3@Steinfeld 我认为将其转换为字符串不是最好的方法。你可以通过
round(result, 2) 以更简洁的方式实现相同的效果。 - yprez321
使用
numpy.mean:xs = [15, 18, 2, 36, 12, 78, 5, 6, 9]
import numpy as np
print(np.mean(xs))
- Akavall
5
8很奇怪。我本以为这会更有效率，但似乎在一个随机的浮点数列表上，它比简单地使用“sum(l)/len(l)”要慢8倍。 - L. Amber O'Hearn
12哦，但是
np.array(l).mean()更快。 - L. Amber O'Hearn10@L.AmberO'Hearn，我刚刚计时了一下，
np.mean(l)和np.array(l).mean()的速度差不多，而sum(l)/len(l)的速度大约是它们的两倍。我使用的是l = list(np.random.rand(1000))，当然如果l是numpy.array，那么两种numpy方法的速度都会更快。 - Akavall13除非安装NumPy就是唯一的原因，否则为了进行均值计算而安装一个16MB的C包看起来在这个规模上非常奇怪。 - n611x007
另外，最好使用
np.nanmean(l) 来避免在计算时出现 NAN 和 零除 的问题。 - Elias242
- Marwan Alsabbagh
3
32这是最优雅的答案，因为它使用了一个标准库模块，这个模块自 Python 3.4 以来就可用。 - Serge Stroobandt
6而且它在数值上更加稳定。 - Antti Haapala -- Слава Україні
如果您意外传递了一个空列表，它会产生更好的错误提示
statistics.StatisticsError: mean requires at least one data point，而不是使用sum(x) / len(x)解决方案时出现更加晦涩的ZeroDivisionError: division by zero。 - user306453851
Python已经有完全可用的sum()函数了，为什么要使用reduce()呢？
print sum(l) / float(len(l))
(在Python 2中，float()是必要的，可以强制Python进行浮点数除法。)
- kindall
2
35对于那些第一次听到“cromulent”这个词的人 - RolfBly
2Python 3 上不需要使用
float()。 - user306453839
如果您使用的是Python >= 3.4版本，则有一个统计库可用。
https://docs.python.org/3/library/statistics.html
您可以像这样使用它的mean方法。假设您有一个数字列表，想要找到平均值：
list = [11, 13, 12, 15, 17]
import statistics as s
s.mean(list)
它还有其他方法，如stdev、variance、mode、harmonic mean、median等，这些方法也非常有用。
- Chetan Sharma
19
不需要将数值强制转换为浮点型，只需将0.0加入到总和中：
def avg(l):
return sum(l, 0.0) / len(l)
- Maxime Chéramy
17
编辑：
我添加了另外两种获取列表平均值的方法（仅适用于Python 3.8+）。这是我所做的比较：
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))
这是我得到的结果：
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
有趣！看起来 math.fsum(l) / len(l) 是最快的方法，然后是 statistics.fmean(l)，最后才是 sum(l) / len(l)。很好！
感谢 @Asclepius 向我展示这两种其他方法！
旧答案：
就效率和速度而言，这些是我测试其他答案得到的结果：
# test mean caculation
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))
结果如下：
mean1 took: 0.17030245899968577
mean2 took: 0.002183011999932205
mean3 took: 0.09744236000005913
mean4 took: 0.07070840100004716
mean5 took: 0.022754742999950395
mean6 took: 1.6689282460001778
显然，获胜者是:
sum(l) / len(l)
- Alon Gouldman
5
我尝试了一个长度为100000000的列表的这些时间：mean2 < 1秒; mean3,4约8秒; mean5,6约27秒; mean1约1分钟。我发现这很令人惊讶，本以为numpy在处理大型列表时表现最佳，但事实并非如此！似乎统计包存在问题！（这是在Mac笔记本上使用Python 3.8，据我所知没有BLAS）。 - drevicko
顺便说一下，如果我先将l转换为
np.array，然后使用np.mean函数，速度大约为0.16秒，比sum(l)/len(l)快6倍。结论是：如果你要进行大量的计算，最好全部使用numpy来完成。 - drevicko@drevicko 看看
mean4，这是我在那里做的... 我猜它已经是一个 np.array，那么使用 np.mean 就有意义了，但如果你有一个列表，那么你应该使用 sum(l) / len(l)。 - Alon Gouldman2没错！这也取决于你以后要用它做什么。在我的工作中，我通常会进行一系列的计算，因此最好在开始时转换为numpy并利用numpy快速的底层库。 - drevicko
@AlonGouldman 很好。我建议将每个速度显示为1/1000秒（作为整数），否则数字很难读取。例如，170、2、97等。这应该使其更容易阅读。请告诉我是否完成了，我会检查的。 - Asclepius
11
sum(l) / float(len(l)) 是正确答案，但为了完备性，你也可以使用单个reduce函数来计算平均值：
>>> reduce(lambda x, y: x + y / float(len(l)), l, 0)
20.111111111111114
注意，这可能会导致轻微的舍入误差：
>>> sum(l) / float(len(l))
20.111111111111111
- Andrew Clark
3
我知道这只是为了好玩，但对于一个空列表返回0可能不是最好的选择。 - Johan Lundberg
1@JohanLundberg - 你可以在
reduce() 函数的最后一个参数中，将 0 替换为 False。这将使空列表返回 False，否则会像以前一样返回平均值。 - Andrew Clark@AndrewClark 为什么你要强制使用
float 来计算 len？ - EndermanAPM11
我尝试使用上述选项，但没有起作用。
请尝试以下方法：
from statistics import mean
n = [11, 13, 15, 17, 19]
print(n)
print(mean(n))
曾经使用过 Python 3.5
- Ngury Mangueira
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
sum(L) / float(len(L))的意思是计算列表 L 的平均值。在调用代码中处理空列表，可以使用if not L: ...来判断。 - n611x007