Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

NumPy Mean() vs Average() : quelle est la différence ?



Vous pouvez utiliser les fonctions np.mean() ou np.average() pour calculer la valeur moyenne d’un tableau en Python.

Voici la subtile différence entre les deux fonctions :

  • np.mean calcule toujours la moyenne arithmétique.
  • np.average a un paramètre de pondération facultatif qui peut être utilisé pour calculer une moyenne pondérée.

Les exemples suivants montrent comment utiliser chaque fonction dans la pratique.

Exemple 1 : utilisez np.mean() et np.average() sans poids

Supposons que nous ayons le tableau suivant en Python qui contient sept valeurs :

#create array of values
data = [1, 4, 5, 7, 8, 8, 10]

Nous pouvons utiliser np.mean() et np.average() pour calculer la valeur moyenne de ce tableau :

import numpy as np

#calculate average value of array
np.mean(data)

6.142857142857143

#calcualte average value of array
np.average(data)

6.142857142857143

Les deux fonctions renvoient exactement la même valeur.

Les deux fonctions ont utilisé la formule suivante pour calculer la moyenne :

Moyenne = (1 + 4 + 5 + 7 + 8 + 8 + 10) / 7 = 6,142857

Exemple 2 : utilisez np.average() avec des poids

Supposons encore une fois que nous ayons le tableau suivant en Python qui contient sept valeurs :

#create array of values
data = [1, 4, 5, 7, 8, 8, 10]

Nous pouvons utiliser np.average() pour calculer une moyenne pondérée pour ce tableau en fournissant une liste de valeurs aux paramètres de poids :

import numpy as np

#calculate weighted average of array
np.average(data, weights=(.1, .2, .4, .05, .05, .1, .1))

5.45

La moyenne pondérée s’avère être de 5,45 .

Voici la formule utilisée par np.average() pour calculer cette valeur :

Moyenne pondérée = 1*.1 + 4*.2 + 5*.4 + 7*.05 + 8*.05 + 8*.1 + 10*.1 = 5.45 .

Notez que nous n’avons pas pu utiliser np.mean() pour effectuer ce calcul puisque cette fonction n’a pas de paramètre de pondération .

Reportez-vous à la documentation NumPy pour une explication complète des fonctions np.mean() et np.average() .

Ressources additionnelles

Les didacticiels suivants expliquent comment calculer d’autres valeurs moyennes en Python :

Comment calculer les moyennes mobiles en Python
Comment calculer une moyenne cumulative en Python

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *