Python 使用numpy.average进行加权平均
我有一个数组:Python 使用numpy.average进行加权平均,python,python-2.7,numpy,average,weighted-average,Python,Python 2.7,Numpy,Average,Weighted Average,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为: In [38]: bias_error_2e13 # the error on each value Out[38]: array
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为:
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,但使用错误
作为权重
首先,我在值上使用完全错误,然后使用一半错误
误差,即误差除以2
In [40]: test = np.average(bias_2e13,weights=bias_error_2e13)
In [41]: test_2 = np.average(bias_2e13,weights=error_half)
当一个数组的错误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
因为所有的误差都具有相同的相对权重。提供一个
权重
参数不会改变平均值的实际值,它只是指示每个值对平均值的贡献权重。换句话说,将传递的每个值乘以相应的权重后,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
维数组(如容器)的平均公式为
其中,当未提供给时,假设每个权重等于1。来自scipy.org关于numpy average:“与a中的值关联的权重数组。a中的每个值根据其关联权重贡献平均值。”
这意味着误差相对于平均值有贡献!所以用相同的因子乘以错误不会改变任何事情!例如,试着将第一个错误乘以0.5,你会得到一个不同的结果。我的答案晚了,但我希望这对以后阅读这篇文章的其他人有用 关于为什么结果是一样的,上面的答案很贴切。然而,在计算加权平均数的过程中存在一个根本性的缺陷。数据中的不确定性不是numpy.average期望的权重。你必须先计算你的体重,然后提供给numpy.average。这可以通过以下方式实现: 权重=1/(不确定度)^2 (例如,见) 因此,您可以将加权平均数计算为: wts_2e13=1./(np.功率(偏差误差_2e13,2.))#使用误差计算权重 wts_-half=1./(np.power(误差_-half,2.))#使用半误差计算重量 测试=np.平均值(偏差,权重=wts) 测试2=np.平均值(偏差13,权重=wts的一半) 在这两种情况下都给出了2.2201767077906709的答案,原因在上述答案中有很好的解释