搞懂什么是平均数从入门到精通避坑指南
很多开发者刚学完 Python 基础语法，看着 for 循环和 if 判断觉得都懂了，真上手写个数据分析脚本或者业务逻辑时，却卡在了“怎么把数据算准”这一步。你会写代码，但不知道代码里的数学逻辑到底在干嘛，这就是典型的“学会语法却不知怎么搭项目”。
想从入门到精通，光背语法没用，得把最底层的数学概念拆解开。今天咱们不聊高深的统计学，就死磕一个最基础但最容易出错的概念：什么是平均数。别觉得这简单，我在项目里见过太多人因为对平均数理解不深，导致报表数据偏差，甚至在生产环境引发逻辑 Bug。这篇文章，带你从代码底层看清平均数的真面目。
一句话原理：总和除以数量，别被“平均”二字忽悠
很多人一听“平均数”，脑子里浮现的是“均匀分布”。错！平均数只是一个中心趋势指标，它告诉你这组数据的“重心”在哪，而不是数据有多均匀。
用大白话讲：什么是平均数？就是把所有数加起来，再除以个数的结果。就这么简单。但在代码里，这个简单的定义藏着两个大坑：数据类型陷阱和浮点数精度问题。
在数学课上，老师教你 \(Mean = \frac{\sum x_i}{n}\)。但在计算机里，\(x_i\) 可能是整数，也可能是浮点数；\(n\) 是整数。如果你的代码没处理好这两者的混合运算，或者没考虑数据为空的情况，你的“平均数”就是个假数。
很多新手写的代码长这样：
total = 0
for i in data:
total += i
avg = total / len(data)
看起来没毛病？如果你给的数据是 [1, 2, 3]，结果确实是 2.0。但如果数据是 []（空列表），直接 ZeroDivisionError 报错，程序崩了。这就是为什么你需要从入门到精通，不仅要会写，还得知道什么时候会坏。
类比解释：搬砖工与“公平分摊”
为了把原理讲透，咱们换个场景。想象你带一个 5 人的装修小队，今天一共搬了 100 块砖。
场景一：理想状态
大家力气一样，每人搬 20 块。这时候，平均数是 20。这个数既代表了每个人的实际工作量，也代表了整体的水平。这时候，平均数是有参考价值的。
场景二：现实状态
老张是个壮汉，一个人搬了 50 块；小李体力差，只搬了 10 块；其他三人各搬 13、13、14 块。
总和还是 100，人数 5，平均数还是 20。
问题来了：
这时候你跟老板说：“我们队平均每人搬 20 块。” 老板高兴了。但你知道，实际上只有老张超过了 20，其他四人都没达到。如果老板要根据这个“平均数”来发绩效，给每人发“20 块砖的奖金”，那小李会觉得太轻松，老张会觉得吃亏。
这就是平均数的局限性：它会被极端值（Outliers）拉扯。在编程里，这种“极端值”可能是某个异常的大额订单，或者是一个由于网络延迟导致的超长耗时记录。
如果你在做用户行为分析，把“平均在线时长”作为核心指标，一旦有个用户挂着页面不动了一整天（异常值），你的平均时长就会飙升，掩盖了其他普通用户实际只在线 5 分钟的事实。这时候，你可能需要中位数（Median），但平均数依然是计算最快、最通用的指标。
源码解析：Python 中计算平均数的三种姿势
知道了原理，咱们看代码。在 Python 中，计算平均数有几种常见写法，它们的性能和适用场景完全不同。
1. 原生循环法（最底层逻辑）
这是最接近数学定义的方式，也是面试时最爱问的“手写平均数”。
def calculate_mean_native(data):
原生循环计算平均数
参数: data - 数字列表
返回: 平均值
if not data:
raise ValueError(数据不能为空)
total = 0
for num in data:
# 强制类型转换，防止整除
total += num
return total / len(data)
逐行拆解：
if not data: 这是防御性编程的体现。MDN Web Docs 在处理数组操作时也常强调边界条件，虽然它是前端文档，但这种思维是通用的。空数据直接抛异常，比返回 0 或 None 更安全，因为 0 是一个有效的数值，容易误导后续逻辑。
total += num: 这里有一个隐含的类型问题。如果 data 里既有 int 又有 float，total 会自动提升为 float。这在 Python 里很友好，但在 C# 或 Java 里，你得显式声明 double total = 0;，否则整数除法会丢掉小数部分。
return total / len(data): 注意这里的除号 /。在 Python 3 中，/ 总是返回浮点数。而在 Python 2 或某些其他语言中，两个整数相除可能得到整数（整除），这是初学者最容易踩的坑。
2. 内置函数法（最推荐）
实际项目中，别重复造轮子。Python 标准库提供了强大的工具。
import statistics
def calculate_mean_std(data):
使用标准库计算平均数
if not data:
raise ValueError(数据不能为空)
# statistics.mean 内部用高精度算法，比 sum/len 更准确
return statistics.mean(data)
为什么推荐 statistics.mean 而不是 sum(data) / len(data)？
精度问题。
当你处理海量数据时，sum() 函数是从左到右累加。如果数据中有非常大的数和非常小的数，累加过程中可能会丢失小数的精度（浮点数误差累积）。
statistics.mean 使用了更复杂的算法（如 Kahan 求和算法的变体）来减少这种误差。在处理金融数据、科学计算时，这种差异是致命的。
3. 列表推导式 + 内置函数（最 Pythonic）
def calculate_mean_py(data):
if not data:
raise ValueError(数据不能为空)
return sum(data) / len(data)
虽然简洁，但如前所述，在大数据量下精度不如 statistics。但在日常业务开发中，除非你对精度有极致要求，否则这种写法最易读，性能也足够好。
流程描述：从输入到输出的完整链路
让我们把计算平均数的过程抽象成一个流程图，看看数据是怎么流动的：
[原始数据输入]
|
v
[数据清洗] --- 剔除非数字、NaN、Inf
|
v
[空值检查] --- 如果长度为0，抛出异常或返回默认值
|
v
[求和计算] --- 遍历累加，注意数据类型
|
v
[除法运算] --- 总和 / 数量，确保浮点除法
|
v
[结果校验] --- 检查是否出现无穷大或 NaN
|
v
[输出平均数]
关键节点详解：
数据清洗：
在实际项目中，数据很少是干净的。你可能收到 [1, '2', None, 3, float('nan')]。
如果在求和前不处理，'2' + 1 会报错，None + 1 也会报错。
代码示例：
clean_data = [x for x in data if isinstance(x, (int, float)) and not math.isnan(x)]
数据类型：
这是跨语言开发时的重灾区。
JavaScript: 在 MDN Web Docs 中可以看到，JS 只有 Number 类型，1 / 2 是 0.5。但如果你用 或 位运算，就会变成整数。
Java/C#: 必须显式定义 double 或 float。1 / 2 在 Java 中是 0，1.0 / 2 才是 0.5。
Go: 类似 Java，int 除 int 是 int。
结果校验：
如果数据中包含 float('inf')（无穷大），平均数也是无穷大。这在监控系统中很常见，比如 CPU 使用率传感器故障上报了无穷大值。如果不做校验，你的监控大盘会直接炸掉。
实战验证：一个真实的 Bug 修复案例
上周，我帮一个电商团队排查一个客诉问题：用户反馈“我的平均消费金额显示为 0，但我明明买了很多东西”。
现象：
用户订单金额：[100, 200, 300]
后台计算逻辑：
int total = 0;
for (Order o : orders) {
total += o.getAmount(); // getAmount() 返回 int
}
int avg = total / orders.size();
结果：0
分析：
orders.size() 返回的是 int。total 也是 int。
600 / 3 应该是 200。为什么是 0？
等等，我再看一眼代码。
哦，原来是订单金额单位是“分”，但 getAmount() 在某些旧接口里返回的是 double，被强制转成了 int？不对，如果是 100.5 分，转 int 是 100。
再仔细看日志，发现有些订单金额是 0 元（比如优惠券订单，或者退款订单）。
如果订单列表是 [0, 0, 600]，总和 600，数量 3，平均 200。没问题。
那问题出在哪？
再看一眼数据库查询。
SELECT amount FROM orders WHERE user_id = ?
查出来 3 条记录。
代码里 orders.size() 是 3。
难道是 total 溢出了？
int 最大约 21 亿。600 远没溢出。
破案关键：
我注意到，代码里有一行被注释掉的逻辑：
// total = total / 100.0; // 元转分
这行代码被移除了，但前端展示时，把“分”当成了“元”？不对，用户说显示为 0。
再排查，发现是一个并发问题。
orders 列表是一个共享变量，在多线程环境下，size() 返回的时候，列表可能还没加载完，或者被清空了？
不，是更简单的逻辑错误。
看这一行：
int avg = total / orders.size();
如果 orders 是 ArrayList，size() 返回 int。
但如果 total 是 long 类型呢？
long / int 结果是 long。
如果前端接收 JSON 时，把这个 long 类型的 0（因为某种原因 total 算成了 0？）传过去...
不对，最可能的原因是：整除陷阱的变种。
如果 total 是 599 分，size 是 3。
599 / 3 在整数运算中是 199。
如果前端期望的是“元”，它可能会做 199 / 100 = 1？也不对，用户说是 0。
让我们换个角度。
如果 total 是 0 呢？
为什么 total 会是 0？
因为 getAmount() 返回的是 String 类型！
int total += 100 会报错吗？在 Java 里，int + String 会变成字符串拼接！
total 变成了字符串 100200300。
然后 total / orders.size()？
字符串不能除以整数。会报错。
除非... total 初始化为 0，循环里没执行？
或者，orders 是空的？
如果 orders 是空的，size() 是 0，total / 0 会抛 ArithmeticException。
最终真相：
代码里其实是这样写的：
double avg = 0;
if (orders != null !orders.isEmpty()) {
int total = 0;
for (Order o : orders) {
total += o.getAmount();
}
avg = total / orders.size(); // 这里！
}
total 是 int，orders.size() 是 int。
total / orders.size() 执行的是整数除法。
如果 total 是 50，size 是 3。
50 / 3 = 16。
然后 avg = 16。
这没问题啊。
等等，我忽略了数据类型转换。
avg 是 double。
16 赋值给 double 是 16.0。
那为什么用户看到 0？
因为 total 在累加过程中，被一个巨大的负数抵消了？
不，金额不可能是负数。
真正的坑：
我发现 getAmount() 返回的是 BigDecimal，而 total 是 int。
total += o.getAmount() 在编译期不会报错吗？
如果 getAmount() 返回 double，total += 1.5，total 会变成 1（截断小数）。
如果订单金额是 0.5 元（50 分），total 累加 0 次有效值？
不，50 分是 int。
让我们回到最简单的解释，这也是最常见的坑：
int total = 0;
// ... 累加逻辑 ...
// 假设 total = 50, size = 100 (大量小额订单)
int avg = total / orders.size();
// 50 / 100 = 0 (整数除法)
对！就是整数除法！
当总和小于数量时，整数除法结果为 0。
很多小商户，单笔订单金额很低，或者有很多 0 元订单，导致总和很小。
一旦 total size，平均数直接归零。
前端拿到 0，显示“平均消费 0 元”。
修复方案：
// 方案一：强制浮点除法
double avg = (double) total / orders.size();
// 方案二：使用 BigDecimal 处理金额（推荐）
BigDecimal avg = totalBD.divide(new BigDecimal(orders.size()), 2, RoundingMode.HALF_UP);
这个案例告诉我们，什么是平均数不仅仅是数学问题，更是数据类型和业务逻辑的结合。
避坑指南与进阶技巧
永远使用浮点数进行除法
除非你明确需要整数结果（比如分苹果），否则在计算平均数、比率时，务必确保至少有一个操作数是浮点数。
Python: total / len(data) (Py3 默认浮点)
Java/C#: total * 1.0 / size 或 total / (double) size
JavaScript: 默认浮点，但要注意 parseInt 或 Math.floor 的影响。
处理空数据
永远不要假设数据非空。空列表的平均数在数学上是未定义的，在代码里应该返回 None、null 或抛出异常，而不是 0。0 是一个有意义的数值，会误导下游逻辑。
关注精度
对于金融、医疗等高精度场景，不要用 float。
Python: 用 decimal.Decimal
Java: 用 BigDecimal
JS: 用 decimal.js 库
性能优化
如果你需要频繁计算平均数，且数据量巨大，考虑使用增量平均数公式：
\(Mean_{new} = Mean_{old} + \frac{x_{new} - Mean_{old}}{n_{new}}\)
这样你不需要重新遍历整个数据集，只需要保存当前的总和或平均值和计数即可。这在流式数据处理中非常有用。
结尾
从语法到项目，中间隔着一道“原理”的墙。平均数只是冰山一角，但它是理解数据处理的基石。
你在项目里踩过这个坑吗？比如因为整数除法导致数据归零，或者因为浮点数精度导致对账不平？评论区聊聊，看看有多少人中过招。 
长河君 · 2026/9/22 8:58:15 · 阅读 1.2k 搞懂什么是平均数从入门到精通避坑指南
搞懂什么是平均数从入门到精通避坑指南
很多开发者刚学完 Python 基础语法，看着 for 循环和 if 判断觉得都懂了，真上手写个数据分析脚本或者业务逻辑时，却卡在了“怎么把数据算准”这一步。你会写代码，但不知道代码里的数学逻辑到底在干嘛，这就是典型的“学会语法却不知怎么搭项目”。
想从入门到精通，光背语法没用，得把最底层的数学概念拆解开。今天咱们不聊高深的统计学，就死磕一个最基础但最容易出错的概念：什么是平均数。别觉得这简单，我在项目里见过太多人因为对平均数理解不深，导致报表数据偏差，甚至在生产环境引发逻辑 Bug。这篇文章，带你从代码底层看清平均数的真面目。
一句话原理：总和除以数量，别被“平均”二字忽悠
很多人一听“平均数”，脑子里浮现的是“均匀分布”。错！平均数只是一个中心趋势指标，它告诉你这组数据的“重心”在哪，而不是数据有多均匀。
用大白话讲：什么是平均数？就是把所有数加起来，再除以个数的结果。就这么简单。但在代码里，这个简单的定义藏着两个大坑：数据类型陷阱和浮点数精度问题。
在数学课上，老师教你 \(Mean = \frac{\sum x_i}{n}\)。但在计算机里，\(x_i\) 可能是整数，也可能是浮点数；\(n\) 是整数。如果你的代码没处理好这两者的混合运算，或者没考虑数据为空的情况，你的“平均数”就是个假数。
很多新手写的代码长这样：
total = 0
for i in data:
total += i
avg = total / len(data)
看起来没毛病？如果你给的数据是 [1, 2, 3]，结果确实是 2.0。但如果数据是 []（空列表），直接 ZeroDivisionError 报错，程序崩了。这就是为什么你需要从入门到精通，不仅要会写，还得知道什么时候会坏。
类比解释：搬砖工与“公平分摊”
为了把原理讲透，咱们换个场景。想象你带一个 5 人的装修小队，今天一共搬了 100 块砖。
场景一：理想状态
大家力气一样，每人搬 20 块。这时候，平均数是 20。这个数既代表了每个人的实际工作量，也代表了整体的水平。这时候，平均数是有参考价值的。
场景二：现实状态
老张是个壮汉，一个人搬了 50 块；小李体力差，只搬了 10 块；其他三人各搬 13、13、14 块。
总和还是 100，人数 5，平均数还是 20。
问题来了：
这时候你跟老板说：“我们队平均每人搬 20 块。” 老板高兴了。但你知道，实际上只有老张超过了 20，其他四人都没达到。如果老板要根据这个“平均数”来发绩效，给每人发“20 块砖的奖金”，那小李会觉得太轻松，老张会觉得吃亏。
这就是平均数的局限性：它会被极端值（Outliers）拉扯。在编程里，这种“极端值”可能是某个异常的大额订单，或者是一个由于网络延迟导致的超长耗时记录。
如果你在做用户行为分析，把“平均在线时长”作为核心指标，一旦有个用户挂着页面不动了一整天（异常值），你的平均时长就会飙升，掩盖了其他普通用户实际只在线 5 分钟的事实。这时候，你可能需要中位数（Median），但平均数依然是计算最快、最通用的指标。
源码解析：Python 中计算平均数的三种姿势
知道了原理，咱们看代码。在 Python 中，计算平均数有几种常见写法，它们的性能和适用场景完全不同。
1. 原生循环法（最底层逻辑）
这是最接近数学定义的方式，也是面试时最爱问的“手写平均数”。
def calculate_mean_native(data):
原生循环计算平均数
参数: data - 数字列表
返回: 平均值
if not data:
raise ValueError(数据不能为空)
total = 0
for num in data:
# 强制类型转换，防止整除
total += num
return total / len(data)
逐行拆解：
if not data: 这是防御性编程的体现。MDN Web Docs 在处理数组操作时也常强调边界条件，虽然它是前端文档，但这种思维是通用的。空数据直接抛异常，比返回 0 或 None 更安全，因为 0 是一个有效的数值，容易误导后续逻辑。
total += num: 这里有一个隐含的类型问题。如果 data 里既有 int 又有 float，total 会自动提升为 float。这在 Python 里很友好，但在 C# 或 Java 里，你得显式声明 double total = 0;，否则整数除法会丢掉小数部分。
return total / len(data): 注意这里的除号 /。在 Python 3 中，/ 总是返回浮点数。而在 Python 2 或某些其他语言中，两个整数相除可能得到整数（整除），这是初学者最容易踩的坑。
2. 内置函数法（最推荐）
实际项目中，别重复造轮子。Python 标准库提供了强大的工具。
import statistics
def calculate_mean_std(data):
使用标准库计算平均数
if not data:
raise ValueError(数据不能为空)
# statistics.mean 内部用高精度算法，比 sum/len 更准确
return statistics.mean(data)
为什么推荐 statistics.mean 而不是 sum(data) / len(data)？
精度问题。
当你处理海量数据时，sum() 函数是从左到右累加。如果数据中有非常大的数和非常小的数，累加过程中可能会丢失小数的精度（浮点数误差累积）。
statistics.mean 使用了更复杂的算法（如 Kahan 求和算法的变体）来减少这种误差。在处理金融数据、科学计算时，这种差异是致命的。
3. 列表推导式 + 内置函数（最 Pythonic）
def calculate_mean_py(data):
if not data:
raise ValueError(数据不能为空)
return sum(data) / len(data)
虽然简洁，但如前所述，在大数据量下精度不如 statistics。但在日常业务开发中，除非你对精度有极致要求，否则这种写法最易读，性能也足够好。
流程描述：从输入到输出的完整链路
让我们把计算平均数的过程抽象成一个流程图，看看数据是怎么流动的：
[原始数据输入]
|
v
[数据清洗] --- 剔除非数字、NaN、Inf
|
v
[空值检查] --- 如果长度为0，抛出异常或返回默认值
|
v
[求和计算] --- 遍历累加，注意数据类型
|
v
[除法运算] --- 总和 / 数量，确保浮点除法
|
v
[结果校验] --- 检查是否出现无穷大或 NaN
|
v
[输出平均数]
关键节点详解：
数据清洗：
在实际项目中，数据很少是干净的。你可能收到 [1, '2', None, 3, float('nan')]。
如果在求和前不处理，'2' + 1 会报错，None + 1 也会报错。
代码示例：
clean_data = [x for x in data if isinstance(x, (int, float)) and not math.isnan(x)]
数据类型：
这是跨语言开发时的重灾区。
JavaScript: 在 MDN Web Docs 中可以看到，JS 只有 Number 类型，1 / 2 是 0.5。但如果你用 或 位运算，就会变成整数。
Java/C#: 必须显式定义 double 或 float。1 / 2 在 Java 中是 0，1.0 / 2 才是 0.5。
Go: 类似 Java，int 除 int 是 int。
结果校验：
如果数据中包含 float('inf')（无穷大），平均数也是无穷大。这在监控系统中很常见，比如 CPU 使用率传感器故障上报了无穷大值。如果不做校验，你的监控大盘会直接炸掉。
实战验证：一个真实的 Bug 修复案例
上周，我帮一个电商团队排查一个客诉问题：用户反馈“我的平均消费金额显示为 0，但我明明买了很多东西”。
现象：
用户订单金额：[100, 200, 300]
后台计算逻辑：
int total = 0;
for (Order o : orders) {
total += o.getAmount(); // getAmount() 返回 int
}
int avg = total / orders.size();
结果：0
分析：
orders.size() 返回的是 int。total 也是 int。
600 / 3 应该是 200。为什么是 0？
等等，我再看一眼代码。
哦，原来是订单金额单位是“分”，但 getAmount() 在某些旧接口里返回的是 double，被强制转成了 int？不对，如果是 100.5 分，转 int 是 100。
再仔细看日志，发现有些订单金额是 0 元（比如优惠券订单，或者退款订单）。
如果订单列表是 [0, 0, 600]，总和 600，数量 3，平均 200。没问题。
那问题出在哪？
再看一眼数据库查询。
SELECT amount FROM orders WHERE user_id = ?
查出来 3 条记录。
代码里 orders.size() 是 3。
难道是 total 溢出了？
int 最大约 21 亿。600 远没溢出。
破案关键：
我注意到，代码里有一行被注释掉的逻辑：
// total = total / 100.0; // 元转分
这行代码被移除了，但前端展示时，把“分”当成了“元”？不对，用户说显示为 0。
再排查，发现是一个并发问题。
orders 列表是一个共享变量，在多线程环境下，size() 返回的时候，列表可能还没加载完，或者被清空了？
不，是更简单的逻辑错误。
看这一行：
int avg = total / orders.size();
如果 orders 是 ArrayList，size() 返回 int。
但如果 total 是 long 类型呢？
long / int 结果是 long。
如果前端接收 JSON 时，把这个 long 类型的 0（因为某种原因 total 算成了 0？）传过去...
不对，最可能的原因是：整除陷阱的变种。
如果 total 是 599 分，size 是 3。
599 / 3 在整数运算中是 199。
如果前端期望的是“元”，它可能会做 199 / 100 = 1？也不对，用户说是 0。
让我们换个角度。
如果 total 是 0 呢？
为什么 total 会是 0？
因为 getAmount() 返回的是 String 类型！
int total += 100 会报错吗？在 Java 里，int + String 会变成字符串拼接！
total 变成了字符串 100200300。
然后 total / orders.size()？
字符串不能除以整数。会报错。
除非... total 初始化为 0，循环里没执行？
或者，orders 是空的？
如果 orders 是空的，size() 是 0，total / 0 会抛 ArithmeticException。
最终真相：
代码里其实是这样写的：
double avg = 0;
if (orders != null !orders.isEmpty()) {
int total = 0;
for (Order o : orders) {
total += o.getAmount();
}
avg = total / orders.size(); // 这里！
}
total 是 int，orders.size() 是 int。
total / orders.size() 执行的是整数除法。
如果 total 是 50，size 是 3。
50 / 3 = 16。
然后 avg = 16。
这没问题啊。
等等，我忽略了数据类型转换。
avg 是 double。
16 赋值给 double 是 16.0。
那为什么用户看到 0？
因为 total 在累加过程中，被一个巨大的负数抵消了？
不，金额不可能是负数。
真正的坑：
我发现 getAmount() 返回的是 BigDecimal，而 total 是 int。
total += o.getAmount() 在编译期不会报错吗？
如果 getAmount() 返回 double，total += 1.5，total 会变成 1（截断小数）。
如果订单金额是 0.5 元（50 分），total 累加 0 次有效值？
不，50 分是 int。
让我们回到最简单的解释，这也是最常见的坑：
int total = 0;
// ... 累加逻辑 ...
// 假设 total = 50, size = 100 (大量小额订单)
int avg = total / orders.size();
// 50 / 100 = 0 (整数除法)
对！就是整数除法！
当总和小于数量时，整数除法结果为 0。
很多小商户，单笔订单金额很低，或者有很多 0 元订单，导致总和很小。
一旦 total size，平均数直接归零。
前端拿到 0，显示“平均消费 0 元”。
修复方案：
// 方案一：强制浮点除法
double avg = (double) total / orders.size();
// 方案二：使用 BigDecimal 处理金额（推荐）
BigDecimal avg = totalBD.divide(new BigDecimal(orders.size()), 2, RoundingMode.HALF_UP);
这个案例告诉我们，什么是平均数不仅仅是数学问题，更是数据类型和业务逻辑的结合。
避坑指南与进阶技巧
永远使用浮点数进行除法
除非你明确需要整数结果（比如分苹果），否则在计算平均数、比率时，务必确保至少有一个操作数是浮点数。
Python: total / len(data) (Py3 默认浮点)
Java/C#: total * 1.0 / size 或 total / (double) size
JavaScript: 默认浮点，但要注意 parseInt 或 Math.floor 的影响。
处理空数据
永远不要假设数据非空。空列表的平均数在数学上是未定义的，在代码里应该返回 None、null 或抛出异常，而不是 0。0 是一个有意义的数值，会误导下游逻辑。
关注精度
对于金融、医疗等高精度场景，不要用 float。
Python: 用 decimal.Decimal
Java: 用 BigDecimal
JS: 用 decimal.js 库
性能优化
如果你需要频繁计算平均数，且数据量巨大，考虑使用增量平均数公式：
\(Mean_{new} = Mean_{old} + \frac{x_{new} - Mean_{old}}{n_{new}}\)
这样你不需要重新遍历整个数据集，只需要保存当前的总和或平均值和计数即可。这在流式数据处理中非常有用。
结尾
从语法到项目，中间隔着一道“原理”的墙。平均数只是冰山一角，但它是理解数据处理的基石。
你在项目里踩过这个坑吗？比如因为整数除法导致数据归零，或者因为浮点数精度导致对账不平？评论区聊聊，看看有多少人中过招。