编写一个python程序，读取7个分数作为输入并输出平均值[重复]

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
sum(l) / len(l)

在 Python 3.8+ 上，使用浮点数，您可以使用statistics.fmean，因为使用浮点数更快。

在 Python 3.4+ 上，您可以使用statistics.mean：

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]

import statistics
statistics.mean(l)  # = 20.11111111111111

在旧版本的 Python 上，您可以：

sum(l) / len(l)

在 Python 2 上，您需要将len转换为浮点数才能获得浮点除法

sum(l) / float(len(l))

没有必要使用functools.reduce，因为它慢得多。

你可以使用numpy.mean：

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]

import numpy as np
print(np.mean(l))

Astatistics 模块已添加到 python 3.4。它有一个计算平均值的函数，称为mean。您提供的列表的示例是：

from statistics import mean
l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
mean(l)

当 Python 有完美的 cromulent sum()函数时，为什么还要使用reduce()呢？

print sum(l) / float(len(l))

（在 Python 2 中，float() 是强制 Python 进行浮点除法所必需的。）

如果您使用的是 python >= 3.4，则有一个统计库

https://docs.python.org/3/library/statistics.html

你可以像这样使用它的平均方法。假设您有一个要查找平均值的数字列表：-

list = [11, 13, 12, 15, 17]
import statistics as s
s.mean(list)

它也有其他方法，例如标准差、方差、众数、调和平均数、中位数等，它们太有用了。

您可以将 0.0 添加到总和中，而不是强制转换为浮点数：

def avg(l):
    return sum(l, 0.0) / len(l)

编辑：

我添加了另外两种获取列表平均值的方法（仅与 Python 3.8+ 相关）。这是我所做的比较：

# test mean caculation

import timeit
import statistics
import numpy as np
from functools import reduce
import pandas as pd
import math

LIST_RANGE = 10000000000
NUMBERS_OF_TIMES_TO_TEST = 10000

l = list(range(10))

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))

这些是我得到的结果：

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

有趣的！看起来math.fsum(l) / len(l)是最快的方式，然后statistics.fmean(l)，只有sum(l) / len(l)。好的！

感谢@Asclepius 向我展示了这两种其他方式！

旧答案：

在效率和速度方面，这些是我测试其他答案的结果：

# test mean caculation

import timeit
import statistics
import numpy as np
from functools import reduce
import pandas as pd

LIST_RANGE = 10000000000
NUMBERS_OF_TIMES_TO_TEST = 10000

l = list(range(10))

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：

mean1 took:  0.17030245899968577
mean2 took:  0.002183011999932205
mean3 took:  0.09744236000005913
mean4 took:  0.07070840100004716
mean5 took:  0.022754742999950395
mean6 took:  1.6689282460001778

这么明显的赢家是：sum(l) / len(l)

sum(l) / float(len(l)) 是正确的答案，但为了完整起见，您可以使用单个 reduce 计算平均值：

>>> reduce(lambda x, y: x + y / float(len(l)), l, 0)
20.111111111111114

请注意，这可能会导致轻微的舍入误差：

>>> sum(l) / float(len(l))
20.111111111111111

我尝试使用上面的选项，但没有奏效。试试这个：

from statistics import mean

n = [11, 13, 15, 17, 19]

print(n)
print(mean(n))

在 python 3.5 上工作

或者用pandas的Series.mean方法：

pd.Series(sequence).mean()

演示：

>>> import pandas as pd
>>> l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
>>> pd.Series(l).mean()
20.11111111111111
>>> 

从文档：

Series.mean(axis=None, skipna=None, level=None, numeric_only=None, **kwargs)¶

这是相关的文档：

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.mean.html

以及整个文档：

https://pandas.pydata.org/pandas-docs/stable/10min.html

在 Udacity 的问题中，我有一个类似的问题要解决。我编码的不是内置函数：

def list_mean(n):

    summing = float(sum(n))
    count = float(len(n))
    if n == []:
        return False
    return float(summing/count)

比平时长得多，但对于初学者来说，这是相当具有挑战性的。

作为一个初学者，我刚刚编写了这个代码：

L = [15, 18, 2, 36, 12, 78, 5, 6, 9]

total = 0

def average(numbers):
    total = sum(numbers)
    total = float(total)
    return total / len(numbers)

print average(L)

如果您想获得的不仅仅是平均值（也就是平均值），您可以查看 scipy stats：

from scipy import stats
l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
print(stats.describe(l))

# DescribeResult(nobs=9, minmax=(2, 78), mean=20.11111111111111, 
# variance=572.3611111111111, skewness=1.7791785448425341, 
# kurtosis=1.9422716419666397)

为了使用reduce获取运行平均值，您需要跟踪总数以及到目前为止看到的元素总数。由于这不是列表中的一个微不足道的元素，因此您还必须通过reduce一个额外的参数来折叠。

>>> l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
>>> running_average = reduce(lambda aggr, elem: (aggr[0] + elem, aggr[1]+1), l, (0.0,0))
>>> running_average[0]
(181.0, 9)
>>> running_average[0]/running_average[1]
20.111111111111111

两者都可以在整数或至少 10 个十进制值上为您提供接近相似的值。但是，如果您真的在考虑长浮点值，两者可能会有所不同。方法可能因您想要实现的目标而异。

>>> l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
>>> print reduce(lambda x, y: x + y, l) / len(l)
20
>>> sum(l)/len(l)
20

浮动值

>>> print reduce(lambda x, y: x + y, l) / float(len(l))
20.1111111111
>>> print sum(l)/float(len(l))
20.1111111111

@Andrew Clark 的陈述是正确的。

假设

x = [
    [-5.01,-5.43,1.08,0.86,-2.67,4.94,-2.51,-2.25,5.56,1.03],
    [-8.12,-3.48,-5.52,-3.78,0.63,3.29,2.09,-2.13,2.86,-3.33],
    [-3.68,-3.54,1.66,-4.11,7.39,2.08,-2.59,-6.94,-2.26,4.33]
]

您会注意到x的尺寸为 3*10 如果您需要将mean到每一行您可以输入

theMean = np.mean(x1,axis=1)

别忘了import numpy as np

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]

l = map(float,l)
print '%.2f' %(sum(l)/len(l))

使用以下 PYTHON 代码在列表中查找平均值：

l = [15, 18, 2, 36, 12, 78, 5, 6, 9]
print(sum(l)//len(l))

试试这个很容易。

print reduce(lambda x, y: x + y, l)/(len(l)*1.0)

或喜欢之前发布的

sum(l)/(len(l)*1.0)

1.0 是为了确保你得到一个浮点除法