Python – среднее значение последовательного подсписка
Введение
Python — это гибкий диалект программирования, известный своей простотой и ясностью. При работе с записями или кластерами часто бывает полезно вычислить жесткость (нормальность) последовательных подсписков. Эту операцию можно завершить, используя различные подходы, каждый из которых имеет свой алгоритм и этапы. В этой статье мы рассмотрим три распространенные стратегии расчета среднего значения последовательных подсписков в Python. Мы рассмотрим расчеты, лежащие в основе каждого подхода, дадим пошаговые объяснения и добавим фрагменты кода со сравнением результатов.
Python — среднее последовательного подсписка
Вычисление среднего значения последовательных подсписков может быть обычной задачей при проверке и обработке информации. В Python существуют разные подходы для достижения этой цели, и можно выбрать наиболее подходящую стратегию на основе конкретных предпосылок и предпочтений. Один из прямых подходов включает использование круга. Входной список повторяется с использованием круга, и для каждого акцента извлекается подсписок указанной меры. В этот момент среднее значение подсписка рассчитывается путем суммирования компонентов и разделения их по показателю подсписка. Эта подготовка повторяется для всех последующих подсписков, а последующие действия помещаются в отдельный список.
Подход
Подход 1: Использование понимания списков
Подход 2. Использование библиотеки NumPy
Подход 1: Python — среднее значение последовательного подсписка с использованием понимания списка.
Моментный подход использует контроль над пониманием списка для достижения того же результата более быстрым способом.
В этом подходе понимание списка является типичным обоснованием для вычисления среднего значения каждого последовательного подсписка. Диапазон понимания сбалансирован для повторения записей, которые сравниваются с начальными позициями подсписков. Подсписок получается с помощью обрезки, а среднее значение вычисляется внутри самого изображения. Включенные шаги следующие:
Алгоритм
Шаг 1: Охарактеризуйте входной список и меру подсписка, как в предыдущем подходе.
Шаг 2:Используйте понимание списка, чтобы сформировать современный список, содержащий элементы последовательных подсписков.
Шаг 3:Распечатайте или используйте полученный список по своему усмотрению.
Пример
#intilailize the list
input_list = [1, 2, 3, 4, 5, 6, 7, 8, 9 ]
sublist_size = 3
# Create a new list that contains the means of consecutive sublists using list comprehension
result_list = [sum(input_list[i:i+sublist_size]) / sublist_size for i in range(0, len(input_list),3)]
#display the computed result
print(result_list)
Выход
[2.0, 5.0, 8.0]
Подход 2: Python — среднее значение последовательного подсписка с использованием библиотеки Numpy
Второй подход использует управление библиотекой NumPy, которая предоставляет полный набор возможностей для числовых операций. Этот подход требует введения библиотеки NumPy в последнее время.
В этом подходе мы используем понимание вложенных списков для формирования кластера последовательных подсписков. В этот момент функция numpy.mean() подключается вдоль требуемой оси (ось=1) для вычисления средних значений каждого подсписка. Возникающий кластер содержит элементы последовательных подсписков. Включенные шаги следующие:
Алгоритм
Шаг 1:Включите модуль NumPy в свой скрипт Python.
Шаг 2: Охарактеризуйте входной список и оценку подсписка, как и раньше.
Шаг 3.Используйте функцию numpy.mean() для расчета значений непрерывных подсписков.
Шаг 4:Распечатайте или используйте полученный кластер по своему усмотрению.
Пример
#import the required module
import numpy as np
#intialize the list
input_list = [1, 2, 3, 4, 5, 6, 7, 8, 9]
sublist_size = 3
# Create an array of consecutive sublists, calculate the mean along axis 1
result_array = [np.mean(np.array(input_list[i:i+3])) for i in range(0, len(input_list), 3)]
#Finally print the resulting value
print(result_array)
Выход
[2.0, 5.0, 8.0]
Заключение
Мы исследовали два разных подхода к вычислению среднего значения последовательных подсписков в Python. Мы рассказали о расчетах, лежащих в основе каждого подхода, и дали пошаговые объяснения кода. Используя циклы, понимание списков или библиотеку NumPy, вы сможете продуктивно вычислять подразумеваемые значения и выполнять вспомогательный анализ вашей информации. Адаптивность Python и богатая биологическая система библиотек позволяют вам выбрать подход, который лучше всего соответствует вашим требованиям и стилю программирования. Независимо от того, предпочитаете ли вы более четкую структуру на основе циклов, краткое понимание списка или высокую полезность NumPy, Python предоставляет инструменты для эффективного расчета жесткости последовательных подсписков.