Вы можете использовать идентификатор (я нашел его только в немецкой Википедии, но, вероятно, есть и другие источники):
![введите здесь описание изображения](https://i.stack.imgur.com/2CMXr.jpg)
Это тождество можно построить, используя «правила логарифмирования» по нормальному определению среднего геометрического:
![введите здесь описание изображения](https://i.stack.imgur.com/9hTgN.jpg)
База a
может быть выбрана произвольно, поэтому вы можете использовать np.log
(и np.exp
как обратную операцию):
import numpy as np
def nangmean(arr, axis=None):
arr = np.asarray(arr)
inverse_valids = 1. / np.sum(~np.isnan(arr), axis=axis) # could be a problem for all-nan-axis
rhs = inverse_valids * np.nansum(np.log(arr), axis=axis)
return np.exp(rhs)
И вроде работает:
>>> l = [[1, 2, 3], [1, np.nan, 3], [np.nan, 2, np.nan]]
>>> nangmean(l)
1.8171205928321397
>>> nangmean(l, axis=1)
array([ 1.81712059, 1.73205081, 2. ])
>>> nangmean(l, axis=0)
array([ 1., 2., 3.])
В NumPy 1.10 также np.nanprod
был добавлен, поэтому вы также можете использовать обычное определение:
import numpy as np
def nangmean(arr, axis=None):
arr = np.asarray(arr)
valids = np.sum(~np.isnan(arr), axis=axis)
prod = np.nanprod(arr, axis=axis)
return np.power(prod, 1. / valids)
person
MSeifert
schedule
04.06.2017
mean
наgeomean
- person Ry-♦   schedule 04.06.2017