这个问题确实是Python标准库和numpy交互时的常见小坑，看起来有点反直觉，但根源在于**statistics.mean的实现逻辑和numpy数值类型的特性**。

现象拆解 #

当你传入普通Python列表[0,1]时：
statistics.mean会累加列表里的Python内置整数0和1，得到总和1（Python原生int类型），再除以长度2——Python 3中/运算符默认返回浮点数，所以结果是0.5。

而传入numpy数组numpy.array([0,1])时：
数组里的元素是numpy专属整数类型（比如numpy.int64）。statistics.mean的内部是逐个迭代元素累加：

# 简化后的statistics.mean核心逻辑
data_iter = iter(numpy.array([0,1]))
total = next(data_iter)  # total是numpy.int64(0)
total += next(data_iter) # total变成numpy.int64(1)
return total / 2         # numpy.int64与Python int的除法

在一些旧版本的numpy或Python中，这种跨类型除法会触发numpy的整数除法规则（而非Python 3的浮点数除法），最终得到0——这就是你遇到的异常结果。

核心原因 #

statistics模块是纯Python实现，主要针对Python内置数值类型优化；而numpy的数值类型是独立于Python原生类型的体系。早期版本中，numpy整数与Python原生整数的运算规则不统一，导致了这个看似矛盾的结果（现代版本的numpy和Python已经修复了这个问题，现在执行会返回0.5）。

相关常见讨论问题 #

在Stack Exchange社区里，类似问题被多次提问，比如：

• 提问标题：Why does statistics.mean return an integer when using a numpy array?
• 提问标题：Difference between statistics.mean on list vs numpy array
  这些问题的核心都是围绕statistics模块对numpy数值类型的处理差异展开。

解决办法 #

如果需要处理numpy数组的均值计算，更推荐用专门优化过的numpy.mean()：

import numpy
x = numpy.array([0,1])
numpy.mean(x)  # 稳定返回0.5

如果一定要用statistics.mean，可以先把numpy数组转成Python列表：

statistics.mean(x.tolist())  # 返回0.5

内容的提问来源于stack exchange，提问作者PatrickT