cpp中求vector的均值

在C++中，你可以使用`std::accumulate`函数和`std::vector`的`size`函数来计算一个`std::vector`的均值。下面是一个示例代码：

#include <iostream>
#include <vector>
#include <numeric>

int main() {
    std::vector<double> numbers = {2.5, 3.7, 4.2, 5.1, 6.3};
    
    double sum = std::accumulate(numbers.begin(), numbers.end(), 0.0);
    double mean = sum / numbers.size();
    
    std::cout << "均值: " << mean << std::endl;
    
    return 0;
}

在上面的示例中，我们定义了一个`std::vector`，其中包含一些数字。然后，我们使用`std::accumulate`函数对这些数字进行累加求和。第三个参数`0.0`表示初始值为0.0。累加求和后，我们将得到总和`sum`。最后，我们将总和除以向量的大小（即元素数量）来计算均值，并打印结果。

相关问题

STLvector求均值

可以使用STL中的`accumulate`和`mean`函数来求一个vector的均值。

例如，对于以下的vector：

#include <iostream>
#include <vector>
#include <numeric> // for accumulate
#include <functional> // for multiplies
#include <algorithm> // for generate

using namespace std;

int main()
{
    vector<int> v(10);
    generate(v.begin(), v.end(), []() { return rand() % 100; });
    for (auto i : v) {
        cout << i << " ";
    }
    cout << endl;
}

可以使用以下代码来计算均值：

double sum = accumulate(v.begin(), v.end(), 0.0);
double mean = sum / v.size();
cout << "Mean: " << mean << endl;

这里使用了`accumulate`函数来计算vector中所有元素的总和，并使用`v.size()`来计算vector的大小。最后，将总和除以vector的大小就是均值。

cpp编程实现knn均值滤波算法

以下是使用C++实现knn均值滤波算法的示例代码：

#include <iostream>
#include <vector>
#include <algorithm>

using namespace std;

// 计算欧几里得距离
double euclideanDistance(vector<double>& vec1, vector<double>& vec2) {
    double distance = 0.0;
    for (int i = 0; i < vec1.size(); i++) {
        distance += pow(vec1[i] - vec2[i], 2);
    }
    return sqrt(distance);
}

// 均值滤波函数
vector<double> knnMeanFilter(vector<vector<double>>& data, int k) {
    vector<double> result;
    for (int i = 0; i < data[0].size(); i++) {
        vector<double> distList;
        for (int j = 0; j < data.size(); j++) {
            vector<double> vec1 = data[j];
            vec1.erase(vec1.begin() + i);
            for (int m = j + 1; m < data.size(); m++) {
                vector<double> vec2 = data[m];
                vec2.erase(vec2.begin() + i);
                double distance = euclideanDistance(vec1, vec2);
                distList.push_back(distance);
            }
        }
        sort(distList.begin(), distList.end());
        vector<double> valueList;
        for (int j = 0; j < k; j++) {
            double value = data[j / (data.size() - 1)][i];
            valueList.push_back(value);
        }
        double sum = 0.0;
        for (int j = 0; j < valueList.size(); j++) {
            sum += valueList[j];
        }
        double mean = sum / valueList.size();
        result.push_back(mean);
    }
    return result;
}

int main() {
    // 原始数据
    vector<vector<double>> data = { {1.2, 2.4, 3.6, 4.8}, {2.4, 3.6, 4.8, 6.0}, {3.6, 4.8, 6.0, 7.2}, {4.8, 6.0, 7.2, 8.4} };
    // k值
    int k = 3;
    // 均值滤波结果
    vector<double> result = knnMeanFilter(data, k);
    // 输出结果
    for (int i = 0; i < result.size(); i++) {
        cout << result[i] << " ";
    }
    cout << endl;
    return 0;
}

在上述示例代码中，首先定义了一个计算欧几里得距离的函数`euclideanDistance`，然后定义了一个均值滤波函数`knnMeanFilter`，该函数接收原始数据和k值作为参数，返回均值滤波后的结果。在函数内部，首先遍历每一个数据列，然后计算该列中每两个不同数据之间的距离，并将这些距离存储在`distList`中。接着，将`distList`中的距离从小到大排序，并取出前k个距离对应的数据值。最后，将这些数据值取平均作为该列的均值滤波结果，并将结果存储在`result`中。

在主函数中，定义了一个4x4的原始数据数组，k值为3，调用`knnMeanFilter`函数进行均值滤波，并输出结果。