Python中加权集中趋势计算：偏向高权重值的替代方法问询

针对你的数据集[1,1,1,1,1,1,1,1,1,10]，要得到偏向10的集中趋势结果，以下几种指标和Python实现方案更适合：

加权算术均值 #

这是最直接可控的方案——给高优先级的10设置更高权重，权重可根据你的需求任意调整。Python的numpy库提供了直接支持：

import numpy as np
data = [1,1,1,1,1,1,1,1,1,10]
# 给9个1各设权重1，给10设权重5（权重比例可按需修改）
weights = [1]*9 + [5]
weighted_mean = np.average(data, weights=weights)
print(weighted_mean)  # 输出约2.58，明显偏向10

幂均值（Power Mean） #

当幂次p>1时，幂均值会自动放大较大数值的影响，p越大，大值的权重越高。公式为：$M_p = \left( \frac{1}{n} \sum_{i=1}^n x_i^p \right)^{1/p}$，用numpy就能快速计算：

import numpy as np
data = np.array([1,1,1,1,1,1,1,1,1,10])
p = 2  # 平方均值，p=3时结果会更偏向10
power_mean = (np.mean(data**p))**(1/p)
print(power_mean)  # 输出约3.32

你可以把p作为可调参数，生成多组数据集时快速调整偏向程度。

不对称截断均值 #

直接过滤掉部分最小的数值，只保留较大的部分计算均值，也能有效突出10的影响。比如保留最大的3个值：

import numpy as np
data = np.array([1,1,1,1,1,1,1,1,1,10])
# 排序后取最后3个最大值
trimmed_data = np.sort(data)[-3:]
trimmed_mean = np.mean(trimmed_data)
print(trimmed_mean)  # 输出4

保留的数量可以根据需求灵活修改。

选择建议 #

• 要精确控制每个样本的权重，优先用加权算术均值，适配性最强；
• 要通过单一参数调整整体偏向程度，选幂均值，适合批量生成数据集时快速迭代；
• 要简单粗暴突出大值影响，用不对称截断均值，实现成本最低。

内容的提问来源于stack exchange，提问作者Sh K