是否存在一種惰性評估形式，其中函數（如平均值）在對數組進行操作時返回近似值

Question

例如，我們要計算列表過長的數字列表的平均值。而且排序時的數字幾乎是線性的（或者我們可以找到數據的線性迴歸模型）。在數學上，我們可以通過

((arr[0] + arr[length(arr)])/2) + intercept 

或者在殼體聚集平均，線性模型幾乎是恆定的（斜率係數接近1）。我們可以計算約爲：

mean(arr[n/const]) = mean(arr) 

同樣的概念適用於這兩種情況。而且非常基礎。 有沒有一種方法：模式，函數（希望在Python中），或任何研究建議，並可以提供幫助將受到歡迎;當然這種模式如果存在的話應該是一般的，而不僅僅是平均情況（可能是任何函數 或者至少是聚合函數，如sum，mean ......）。 （因爲我沒有很強的數學背景，而且我是機器學習的新手，請容忍我的無知）。 如果有什麼不清楚的話，請讓我知道。

Answer 1

的Law of Large Numbers指出，由於樣本量的增加，觀察樣品的平均收斂到真正的總體平均概率爲1

因此，如果你的假設數組太大，平均而言，你可以在至少取大樣本的平均值，並知道你接近真實的人口平均數。

您可以使用numpy.random.choice(arr,n)其中arr是你的陣列，並根據需要（或可以）品嚐n是因爲許多元素numpy陣列採樣。

Answer 2

對於諸如Dask包這樣的作業，還有更多的通用解決方案，例如：http://dask.pydata.org/en/latest/ 它可以優化計算圖，並行化計算等等。