Разделение набора данных на фрагменты и автоматическое вычисление средних значений этих фрагментов

Нампи может помочь. В случае, если вы знаете количество кусков. Вы можете использовать Numpy для создания массива из n фрагментов. Numpy автоматически оценивает размер блока.

import numpy as np
mydata = [2, 5, 1, 5, 3, 8, 4, 2, 33, 65, 34, 11, 42]
mydata = np.array(mydata) #convert list to Numpy array
number_chuncks = 6 #wanted number of chunks
chunks = np.array_split(mydata,number_chuncks)
print('chunks: ', chunks)

Результат:

chunks:  [array([2, 5, 1]), array([5, 3]), array([8, 4]), array([ 2, 33]), array([65, 34]), array([11, 42])]

Ожидаемое количество чанков можно рассчитать следующим образом:

data_length = mydata.size
spacing = np.linspace(0, data_length, number_chuncks)
chunk_size = spacing[1]
print('Expected Chunk size: ',chunk_size)

Результат:

Expected Chunk size:  2.6

Поэтому некоторые фрагменты имеют размер 3, а другие — 2 в массиве фрагментов.

Наконец, средние значения можно рассчитать как:

list_of_means = [np.mean(c) for c in chunks]
print('Means: ',list_of_means)

Результат:

Means:  [ 2.67  4.    6.   17.5  49.5  26.5 ]

Довольно длинное рабочее решение:

mydata = [2,5,1,5,3,8,4,2,33,65,34,11,42,76,12,76,31]

# program - chunker
chunk_size = 3 
remainder = len(mydata) % chunk_size 
chunk_amounts = len(mydata) // chunk_size
if remainder != 0:
    chunk_amounts = len(mydata)//chunk_size + 1
    
# prepare indexing
index_ref = [n for n in range(len(mydata*chunk_amounts))] #to avoid index out of range

# partitioning and mean calculation
for i in range(0, len(mydata)):

    globals()[f"part{i}"] ='mydata['+str(index_ref[i*chunk_size])+' : '+str(index_ref[(i*chunk_size)+chunk_size])+']'
      
    globals()[f"mean{i}"] = np.mean(eval(eval('part'+str(i))))

# build mean list
mean_list = []
for i in range(0, chunk_amounts):
    mean_list.append('mean'+str(i))

# remove quotes in list elements for easier export to numpy array
mean_list = ", ".join(mean_list)
print(mean_list)

Вывод:

'mean0, mean1, mean2, mean3, mean4, mean5'

Постобработка:

mean_array = np.array([mean0, mean1, mean2, mean3, mean4, mean5])
mean_array = mean_array.round(2)
mean_array

Вывод:

[ 2.67,  5.33, 13.  , 36.67, 43.33, 53.5 ]

попробуйте это... и скажите, соответствует ли это тому, что вам нужно

# external paramters
data = [2,5,1,5,3,8,4,2,33,65,34,11,42]
chunk_size = 3

# program - chunker
remainder = len(data) % chunk_size
chunk_amounts = len(data) // chunk_size

if remainder != 0:
    chunk_amounts = len(data)//chunk_size + 1

chunks = []
for i in range(chunk_amounts):
    chunk = data[chunk_size * i: chunk_size * (i + 1)]
    mean = sum(chunk)//len(data) # as float, use // for an integer value
    chunks += [mean]

    print(i, chunk, mean)

РЕДАКТИРОВАТЬ С exec

for i in range(0, len(mydata)):

    data_slice = 'mydata[' + str(index_ref[i * chunk_size]) + ' : ' + str(
        index_ref[(i * chunk_size) + chunk_size]) + ']'

    exec(f"part{i} = {data_slice}")
    exec(f'mean{i} = sum(part{i})//3')

print(part2)
print(mean2)

Вывод

[4, 2, 33]
13

РЕДАКТИРОВАТЬ с eval

mydata = [2, 5, 1, 5, 3, 8, 4, 2, 33, 65, 34, 11, 42]
chunk_size = 3
index_ref = [n for n in range(len(mydata*5))]

for i in range(0, len(mydata)):

    data_slice_pattern = 'mydata[' + str(index_ref[i * chunk_size]) + ' : ' + str(
        index_ref[(i * chunk_size) + chunk_size]) + ']'

    globals()[f"part{i}"] = data_slice_pattern
    data_slice = eval(data_slice_pattern)
    globals()[f'mean{i}'] = sum(data_slice)//3

means = [m for m in globals() if 'mean' in m]

print('part2' in globals())
print(eval('part2'))
print('mean2' in globals())
print(eval('mean3'))
print(means)

Вывод

True
mydata[6 : 9]
True
36
['mean0', 'mean1', 'mean2', 'mean3', 'mean4', 'mean5', 'mean6', 'mean7', 'mean8', 'mean9', 'mean10', 'mean11', 'mean12']