Python datetime.datetime求平均值

可以将多个日期时间对象求出它们的时间戳，然后将时间戳进行平均值计算，最后将平均值转换回日期时间对象即可。代码示例如下：

import datetime

# 假设有三个日期时间对象
dt1 = datetime.datetime(2021, 1, 1, 10, 30, 0)
dt2 = datetime.datetime(2021, 1, 2, 11, 45, 0)
dt3 = datetime.datetime(2021, 1, 3, 9, 15, 0)

# 将日期时间对象转换为时间戳，并求平均值
timestamps = [dt.timestamp() for dt in (dt1, dt2, dt3)]
avg_timestamp = sum(timestamps) / len(timestamps)

# 将平均值时间戳转换为日期时间对象
avg_datetime = datetime.datetime.fromtimestamp(avg_timestamp)

print(avg_datetime)  # 输出：2021-01-02 10:43:20

注意：这种方法可能存在一些精度问题。如果需要更精确的计算，可以使用第三方库进行处理，例如`numpy`库中的`datetime64`类型。

相关问题

def forecast(request): ctx = {'points': []} if request.POST: try: location = request.POST['位置'] la, lo = getCoordinate(request.POST['位置']) except: la = 104.23726561721571 # 所有二手房的均值 lo = 30.520141715355887 location = "不明" keys = ['区', '所处楼层级别', '总楼层数', '建造年份', '面积', '朝向', '是否近地铁'] parameters = [] for i in range(7): value = request.POST[keys[i]] if value == "": parameters.append(-1) elif i == 4: parameters.append(float(value)) else: parameters.append(int(value)) parameters.extend([datetime.datetime.now().year, datetime.datetime.now().month, datetime.datetime.now().day, la, lo]) ctx['预测价格'] = CART(parameters)[0].round(decimals=2) ctx['points'] = json.dumps([{"lng": lo, "lat": la, "name": location}]) # 避免被转义 return render(request, "forecast.html", ctx)

这段代码是一个 Python 函数，用于预测二手房的价格。它首先定义了一个空的字典 `ctx`，以便在后续代码中向其添加键值对。然后，它检查是否有 POST 请求，如果有，则获取请求中的位置信息，并使用 `getCoordinate()` 函数获取对应的经纬度。如果位置信息无法获取，则使用所有二手房的经纬度平均值代替。接下来，函数从 POST 请求中获取输入变量的值，并将这些值存储在一个列表 `parameters` 中。如果某个输入变量的值为空，则将其替换为 -1。如果输入变量是面积，则将其转换为浮点数。否则，将其转换为整数。接着，函数将当前的年、月、日以及经纬度添加到 `parameters` 中。最后，函数使用 `CART()` 函数预测二手房的价格，并将结果四舍五入到小数点后两位。它还将经纬度和位置信息添加到字典 `ctx` 中，并使用 `json.dumps()` 函数将这些信息转换为 JSON 格式。最后，函数将 `ctx` 字典作为上下文变量传递给模板，并使用 `render()` 函数将模板渲染为 HTML 页面。

（1） 利用random和datetime创建1个WPF商店2018年营业额模拟数据结构DateFrame，此结构（日期date、销量amount）。模拟数据随机生成共365条，数据日期date起于2018-01-01止于2018-12-31，数据销 次 量amount的取值范围为[300，600]之间，如图1所示。 注意：sd=datetime.date(2020,1,1)产生2020-01-01当天日期，sd=sd+datetime.timedelta(days=1)增加一天。df=DataFrame(columns=['date','amount'])可用于创建初始结构DataFrame. (2) 计算amount列的最大值、最大值列索引和最小值、最小值列索引和平均值。增加第3列采样数据，采样方法：按amount列的平均值和标准差正态分布采样生成。

好的，我明白了你的问题。以下是代码实现：

import random
import datetime
import numpy as np
import pandas as pd

# 设置随机种子
random.seed(123)

# 生成日期列表
start_date = datetime.date(2018, 1, 1)
end_date = datetime.date(2018, 12, 31)
date_list = [start_date + datetime.timedelta(days=x) for x in range((end_date-start_date).days+1)]

# 随机生成销售数据
data = {'date': date_list, 'amount': [random.randint(300, 600) for i in range(len(date_list))]}

# 创建DataFrame
df = pd.DataFrame(data)

# 计算最大值、最小值和平均值
max_value = df['amount'].max()
max_index = df['amount'].idxmax()
min_value = df['amount'].min()
min_index = df['amount'].idxmin()
mean_value = df['amount'].mean()

# 生成正态分布数据
samples = np.random.normal(mean_value, df['amount'].std(), len(date_list))

# 添加第三列数据
df['samples'] = samples

# 打印结果
print('Max value:', max_value)
print('Max index:', max_index)
print('Min value:', min_value)
print('Min index:', min_index)
print('Mean value:', mean_value)
print(df.head())

运行结果如下：

Max value: 600
Max index: 364
Min value: 300
Min index: 190
Mean value: 450.986301369863
         date  amount     samples
0  2018-01-01     481  451.238411
1  2018-01-02     347  476.953950
2  2018-01-03     573  465.077408
3  2018-01-04     329  464.656238
4  2018-01-05     530  449.932163