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([ 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
。
首先我使用值上的全错误,然后使用 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,这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
因为所有的误差都有相同的相对重量。提供
weight
参数不会更改平均值的实际值,它只是指示每个值对平均值的权重。换句话说,将传递的每个值乘以其相应的权重后,np.average
除以提供的权重之和。实际上,类
n
维数组容器的平均公式是当未提供给^{} 时,假设每个重量等于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的权重贡献平均值。” 这意味着错误的贡献相对于平均值!所以用同样的因子乘上错误不会改变任何东西!例如,尝试将第一个错误与0.5相乘,就会得到不同的结果。
相关问题 更多 >
编程相关推荐