如何在Python中计算嵌套数组的平均值？含RGB元组场景示例

嘿，这个需求在处理RGB颜色数据或者类似的多维度元组集合时特别常见，我给你分享几种实用的解法，从纯Python原生实现到高效的库方法都有～

方法1：纯Python原生实现（无第三方依赖） #

利用zip()函数的解包特性，我们可以轻松把嵌套数组中对应位置的元素聚合到一起，再计算平均值：

# 示例数据
a = [(10, 20, 30), (40, 50, 60), (70, 80, 90)]

# 用zip(*a)解包并聚合对应位置的元素，再逐个计算平均值
avg_tuple = tuple(sum(col) / len(col) for col in zip(*a))
# 转换成你需要的「包含一个元组的列表」格式
result = [avg_tuple]

print(result)  # 输出: [(40.0, 50.0, 60.0)]

解释：zip(*a)会把每个子元组的对应元素打包成新的迭代器（比如这里会生成(10,40,70)、(20,50,80)、(30,60,90)三个分组），接着我们对每个分组计算总和除以元素数量得到平均值，最后转成元组并放入列表即可。

方法2：用NumPy库（适合大规模数据） #

如果你的数据集很大，用NumPy会更简洁且性能更优，它专门针对数值计算做了优化：

import numpy as np

# 示例数据
a = [(10, 20, 30), (40, 50, 60), (70, 80, 90)]

# 转成NumPy数组
arr = np.array(a)
# 按列（axis=0）计算平均值
avg_array = arr.mean(axis=0)
# 转换成目标格式
result = [tuple(avg_array)]

print(result)  # 输出: [(40.0, 50.0, 60.0)]

解释：arr.mean(axis=0)指定按列计算均值，一步就能得到所有位置的平均值，处理大数组时比纯Python循环快很多。

方法3：手动循环（适合理解底层逻辑） #

如果你想彻底搞清楚计算过程，手动循环累加的方式更直观，适合新手理解：

# 示例数据
a = [(10, 20, 30), (40, 50, 60), (70, 80, 90)]

# 初始化累加变量和计数
sum_r, sum_g, sum_b = 0, 0, 0
count = len(a)

# 遍历每个元组累加对应值
for r, g, b in a:
    sum_r += r
    sum_g += g
    sum_b += b

# 计算平均值并组装成目标格式
result = [(sum_r/count, sum_g/count, sum_b/count)]

print(result)  # 输出: [(40.0, 50.0, 60.0)]

内容的提问来源于stack exchange，提问作者Max van Grinsven