我有一个数组:
In [37]: bias_2e13 # our array
Out[37]:
[1.7277990734072355,
1.9718263893212737,
2.469657573252167,
2.869022991373125,
3.314720313010104,
4.232269039271717]
数组中每个值的错误是:
In [38]: bias_error_2e13 # the error on each value
Out[38]:
array([ 0.13271387, 0.06842465, 0.06937965, 0.23886647, 0.30458249,
0.57906816])
现在我将每个值的误差除以 2:
In [39]: error_half # error divided by 2
Out[39]:
array([ 0.06635694, 0.03421232, 0.03468982, 0.11943323, 0.15229124,
0.28953408])
现在我使用 numpy.average
计算数组的平均值,但使用 errors
作为 weights
。
首先我在值上使用了完整的错误,然后我使用了一半 错误,即错误除以 2。
In [40]: test = np.average(bias_2e13,weights=bias_error_2e13)
In [41]: test_2 = np.average(bias_2e13,weights=error_half)
当一个数组的误差是另一个数组的一半时,两个平均值如何给出相同的结果?
In [42]: test
Out[42]: 3.3604746813456936
In [43]: test_2
Out[43]: 3.3604746813456936
最佳答案
因为所有错误都具有相同的相对权重。提供一个weight
参数不会改变你平均的实际值,它只是表示每个值对平均值的贡献。换句话说,在将传递的每个值乘以其对应的权重后,np.average
除以提供的权重之和。
>>> import numpy as np
>>> np.average([1, 2, 3], weights=[0.2, 0.2, 0.2])
2.0
>>> np.average([1, 2, 3])
2.0
实际上,n
维类数组容器的平均公式是
如果未提供给 numpy.average
,则假定每个权重等于 1 .
关于python - 使用 numpy.average 的加权平均值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38241174/