Вычисление среднего арифметического в языке Python

Расширенные примеры вычисления среднего арифметического

Среднее с игнорированием NaN значений

При работе с данными, содержащими NaN (например, из CSV), простое суммирование даст ошибочный результат. Используется numpy.nanmean или фильтрация.

import numpy as np
data = [1.0, np.nan, 3.0, 4.0, np.nan]
clean = [x for x in data if not np.isnan(x)]
avg = np.mean(clean)
print(avg)

2.6666666666666665

Также можно воспользоваться np.nanmean(data) из NumPy, если библиотека уже используется.

Среднее по группам (группировка)

Если данные представлены в виде пар (группа, значение), нужно вычислить среднее для каждой группы. Решение через словарь.

pairs = [('A', 10), ('B', 20), ('A', 30), ('B', 40), ('A', 50)]
groups = {}
for key, val in pairs:
    groups.setdefault(key, []).append(val)
result = {k: sum(v)/len(v) for k, v in groups.items()}
print(result)

{'A': 30.0, 'B': 30.0}

Скользящее среднее (moving average) для временных рядов

Вычисление среднего по окну фиксированного размера. Пример с itertools.islice для эффективности.

from itertools import islice

def moving_average(iterable, window=3):
    it = iter(iterable)
    window_sum = sum(islice(it, window))
    count = window
    yield window_sum / window
    for elem in it:
        window_sum += elem - prev
        prev = elem
        yield window_sum / window

# упрощённый вариант для демонстрации:
data = [1, 2, 3, 4, 5, 6]
window = 3
for i in range(len(data) - window + 1):
    avg = sum(data[i:i+window]) / window
    print(avg)

2.0
3.0
4.0
5.0

Среднее с высокой точностью (модуль decimal)

Для финансовых расчётов, где важна точность десятичных дробей, применяется Decimal.

from decimal import Decimal, getcontext
getcontext().prec = 10

data = [Decimal('0.1'), Decimal('0.2'), Decimal('0.3')]
avg = sum(data) / len(data)
print(avg)

0.2000000000

Обратите внимание: Decimal избавляет от ошибок двоичного представления, характерных для float.

Среднее арифметическое для больших данных (потоковая обработка)

Если данные поступают потоком, нельзя хранить их все в памяти. Используется рекуррентная формула.

def online_mean():
    n = 0
    mean = 0.0
    while True:
        val = yield mean
        if val is None:
            break
        n += 1
        mean += (val - mean) / n

# использование
gen = online_mean()
next(gen)  # инициализация
for x in [1, 2, 3, 4, 5]:
    print(gen.send(x))

1.0
1.5
2.0
2.5
3.0

Вычисление среднего с помощью map и reduce (без циклов)

from functools import reduce
data = [1, 2, 3, 4]
total = reduce(lambda a,b: a+b, data)
count = len(data)
print(total / count)

2.5