### 使用 Python 计算平均分并排序 在头歌平台或其他环境中，可以通过编写简洁的 Python 脚本来完成对一组数据的平均分计算与排序操作。以下是具体的实现方式及其解释。 #### 平均分计算 为了计算列表中数值的平均值，可以采用内置函数 `sum()` 和 `len()` 来分别获取总和与数量[^2]。例如： ```python numbers = [23, 10, 5, 17, 8, 12] total = sum(numbers) # 总和 count = len(numbers) # 数量 average = total / count # 平均值 print("平均值：", average) ``` 这段代码展示了如何简单高效地计算一个列表中所有整数的平均值[^2]。 #### 排序操作 对于排序需求，Python 提供了灵活的方法——`sorted()` 函数或列表对象自身的 `.sort()` 方法。两者均可按升序或降序排列元素，并支持自定义比较规则。下面是一个综合示例，先计算每个子列表的平均值再依据这些平均值得到整体排序结果： ```python data = [ {"scores": [90, 85, 88], "name": "Alice"}, {"scores": [76, 80, 84], "name": "Bob"}, {"scores": [95, 92, 98], "name": "Charlie"} ] # 添加平均分数字段 for item in data: scores = item["scores"] avg_score = sum(scores) / len(scores) item["avg"] = avg_score # 根据平均分进行排序（从高到低） sorted_data = sorted(data, key=lambda x: x['avg'], reverse=True) # 输出排序后的名字及对应的平均成绩 for entry in sorted_data: print(f'{entry["name"]} 的平均分为 {entry["avg"]:.2f}') ``` 上述脚本不仅实现了基本的平均分运算还完成了基于该指标的数据整理工作[^2]。 如果处理更庞大的结构化数据集，则推荐引入 Pandas 库简化流程。Pandas 是一种广泛应用于数据分析领域的工具包，在其 DataFrame 类型上可以直接调用诸如 `mean()` 等方法快速得出列向统计数据的同时还能方便地执行各种形式的排序动作[^3]。比如： ```python import pandas as pd df = pd.DataFrame({ 'Name': ['Alice', 'Bob', 'Charlie'], 'Score1': [90, 76, 95], 'Score2': [85, 80, 92], 'Score3': [88, 84, 98] }) # 新增一列存储三门课的成绩平均值 df['Average'] = df[['Score1','Score2','Score3']].mean(axis=1) # 按照新加入的 Average 列由大至小重新安排次序 result_df = df.sort_values(by='Average', ascending=False) print(result_df[['Name', 'Average']]) ``` 这里利用 Pandas 自带功能轻松达成了相同目的同时还具备更高的可读性和扩展潜力[^3]。 --- ###