在 Python 中，**计算平均值（算术平均数）有多种标准、可靠且场景适配的函数/方法**。以下是按使用场景分类的完整指南，包含 **代码示例、原理说明、注意事项及性能对比**： --- ### ✅ 一、标准库：`statistics.mean()` —— 推荐用于普通列表/可迭代对象（Python 3.4+） ```python from statistics import mean # ✅ 基本用法 print(mean([1, 2, 3, 4])) # 2.5 print(mean((10, 20, 30))) # 20.0 print(mean(range(1, 6))) # 3.0 # ❌ 空序列会抛异常（设计使然，避免静默错误） # mean([]) → StatisticsError: mean requires at least one data point ``` 🔹 **优点**： - 纯 Python 实现，无依赖； - 类型检查严格（拒绝非数字类型，如 `mean([1, "2"])` 报 `TypeError`）； - 对 `float`/`int`/`Fraction`/`Decimal` 均支持，精度友好。 🔹 **注意**： - 不自动跳过 `None` 或 `NaN`（需预处理）； - 不支持 `axis`、加权等高级功能。 --- ### ✅ 二、数值计算：`numpy.mean()` —— 推荐用于数组、矩阵、大数据 ```python import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(np.mean(arr)) # 3.0 print(np.mean(arr, dtype=np.float64)) # 指定精度 # 多维数组 → 按轴计算 matrix = np.array([[1, 2], [3, 4]]) print(np.mean(matrix, axis=0)) # [2. 3.] → 各列均值 print(np.mean(matrix, axis=1)) # [1.5 3.5] → 各行均值 # 自动处理 NaN（需显式启用） nan_arr = np.array([1, 2, np.nan, 4]) print(np.nanmean(nan_arr)) # 2.333...（忽略 NaN） ``` 🔹 **优点**： - 超高性能（C 实现），适合百万级数据； - 支持多维、`axis`、`dtype`、`keepdims`、`where` 等参数； - `np.nanmean()` 专用于含缺失值场景。 🔹 **注意**： - 需安装 `numpy`（`pip install numpy`）； - `np.mean()` 对 `NaN` 默认传播（结果为 `nan`），须用 `np.nanmean()` 显式忽略。 --- ### ✅ 三、数据分析：`pandas.Series.mean()` / `DataFrame.mean()` —— 推荐用于带标签/缺失值的结构化数据 ```python import pandas as pd s = pd.Series([1, 2, None, 4, 5]) print(s.mean()) # 3.0 → 自动跳过 None（即 NaN） df = pd.DataFrame({ 'A': [1, 2, 3], 'B': [4, None, 6] }) print(df.mean()) # A 2.0, B 5.0 → 每列均值，跳过 NaN print(df.mean(axis=1)) # 0 2.5, 1 2.0, 2 4.5 → 每行均值 ``` 🔹 **优点**： - 天然处理缺失值（`skipna=True` 默认）； - 支持索引对齐、分组聚合（`.groupby().mean()`）； - 与 CSV/Excel/数据库无缝集成。 🔹 **注意**： - 依赖 `pandas`（`pip install pandas`）； - 对纯数值列表不如 `statistics.mean()` 轻量。 --- ### ✅ 四、手动实现（教学/无依赖场景）—— 安全、健壮版本 ```python def safe_mean(iterable): """安全求平均值：跳过非数字，空时返回 0.0""" numbers = [] for x in iterable: if isinstance(x, (int, float)) and not (isinstance(x, float) and (x != x)): # 排除 NaN numbers.append(x) return sum(numbers) / len(numbers) if numbers else 0.0 # 测试 print(safe_mean([1, 2, "hello", None, 3.0, float('nan')])) # 2.0 ``` > 💡 提示：`x != x` 是检测 `NaN` 的可靠方式（因 `NaN != NaN` 恒为 `True`）。 --- ### ⚖️ 四种方法对比速查表 | 特性 | `statistics.mean` | `numpy.mean` | `pandas.Series.mean` | 手动 `safe_mean` | |------|-------------------|--------------|------------------------|------------------| | 是否标准库 | ✅ 是 | ❌ 否 | ❌ 否 | ✅ 是 | | 处理空输入 | ❌ 报错 | ✅ 返回 `nan`（可设 `initial`） | ✅ 返回 `nan` | ✅ 返回 `0.0` | | 处理 `None`/`NaN` | ❌ 报错 | ❌ 传播 `nan`（用 `nanmean`） | ✅ 自动跳过 | ✅ 可定制 | | 多维支持 | ❌ | ✅（`axis`） | ✅（`axis`） | ❌ | | 性能（100万数） | ⚠️ 中等 | ✅ 极快 | ⚠️ 较快（含开销） | ⚠️ 慢（纯 Python 循环） | | 推荐场景 | 小数据、教学、脚本工具 | 科学计算、图像/信号处理 | 数据清洗、报表分析 | 嵌入式/极简环境 | --- ### 🚫 绝对不要用的错误方式（常见坑） ```python # ❌ 错误1：用 / 和 len() 但不检查空列表 → ZeroDivisionError avg = sum(lst) / len(lst) # lst=[] → crash! # ❌ 错误2：用整数除法 // → 截断误差 avg = sum(lst) // len(lst) # [1,2,3] → 6//3=2（正确），但 [1,2,4] → 7//3=2（错误！应为 2.33） # ❌ 错误3：误信不存在的 avg() 函数 # from math import avg # ImportError! # avg([1,2,3]) # NameError! ``` ---