调和平均数详解：速率与比率指南

您是否曾疑惑，为什么用简单平均计算时，投资组合的平均市盈率看起来异常偏高？又或者，为什么在电路中并联电阻的合成需要一种“特殊”的平均方法？这些情形都凸显了理解调和平均数的重要性——这是一种在处理速率、比率和倒数关系时格外有用的强大统计工具。

在本教程中，我们将探讨调和平均数、它的应用，以及为何在某些情况下它优于其他类型的平均数。您将看到它如何在从金融到物理的各个领域中发挥作用，以及它在数据科学与机器学习中的日益重要性。如果您有意在该领域发展，我们的Python 机器学习科学家职业路径提供对这些及其他关键统计概念的系统讲解。

什么是调和平均数？

调和平均数是一种在处理速率或比率时尤其有用的平均方式。不同于将数值相加后除以数量的算术平均数，或用于乘法关系的几何平均数，调和平均数专为涉及倒数关系的情境而设计。

对一组数，调和平均数的计算步骤为：

1. 对每个数取倒数。
2. 计算这些倒数的算术平均。
3. 再对该结果取倒数。

何时使用调和平均数

调和平均数在多个领域的诸多情境中都很有用。我在引言中已经做了提示，下面我们详细看看它在各个领域中的价值。

金融分析

在金融领域，调和平均数可用于更准确地计算投资组合指标。它在处理市盈率（P/E）时尤为有效，比简单平均更能真实反映组合估值。分析师还会将其用于其他各种财务比率与利率，以及在价格随时间波动的动态定价情境中的成本平均。

物理与工程

工程师和物理学家在计算中经常使用调和平均数。它常用于并联电路总电阻的计算，即将多个电阻合成。在声学中，它有助于分析声波频率；在光学中，它用于多透镜组合等常见倒数关系的情境。

数据科学

在数据科学，尤其是机器学习应用中，调和平均数被广泛使用。它是 F1 分数的基础，用于平衡分类问题中的精确率与召回率。数据科学家也将其用于评估类别不平衡数据集的性能指标，以及在推荐系统中的协同过滤里结合不同相似度度量。

通用应用

除了专业领域，调和平均数在日常计算中也很常见。它适用于固定距离下的平均速度计算、制造流程中的生产速率确定，以及涉及倒数关系的网络数据传输速率测量。在这些情况下，调和平均数通常比简单算术平均更准确。

如何计算调和平均数

下面用清晰的步骤与示例来分解计算过程。

调和平均数公式

n 个数的调和平均数（H）计算为：

其中 x₁、x₂、…、xₙ 为数据集中的数值。

步骤示例

我们来计算三个数 2、4 和 8 的调和平均数。 

1. 对每个数取倒数： 1/2 = 0.5。1/4 = 0.25。1/8 = 0.125
2. 将这些倒数相加：0.5 + 0.25 + 0.125 = 0.875
3. 用数量（3）除以该和：3 / 0.875 = 3.429

2、4、8 的调和平均数约为 3.429。

加权调和平均数

有时并非所有数值在计算中都同等重要。加权调和平均数允许您为不同的数值分配不同的权重。

加权调和平均数公式

对于数值 x₁、x₂、…、xₙ 及其对应权重 w₁、w₂、…、wₙ：

它在以下场景尤其有用：

• 投资规模不同的投资组合分析
• 某些指标比其他指标更重要的质量度量
• 某些因素权重更高的客户满意度评分

数据科学与机器学习中的调和平均数

在现代数据科学与机器学习中，调和平均数有着众多应用。

F1 分数计算

如前所述，F1 分数是机器学习中的常用指标。它是精确率与召回率的调和平均：

这确保了要获得较好的 F1 分数，精确率与召回率都必须相对较高，因为调和平均会对两者间的极端失衡进行惩罚。若想更好地可视化与解读这些指标，请参阅我们的详细教程Python 中的精确率-召回率曲线，其中提供了实践示例与实操实现。

交叉验证

在不同折中的模型表现评估中：

• 对性能指标取调和平均可确保任何折中的糟糕表现都得到充分权衡。
• 在处理类别不平衡数据集时尤其有用。
• 有助于识别在不同数据划分上表现稳定的模型。

如需系统学习验证技术，可查看我们的K 折交叉验证指南，涵盖稳健模型评估的高级策略。

推荐系统

在协同过滤与推荐系统中，调和平均可用于生成均衡、易用的推荐。构建推荐系统时，数据科学家常需结合不同的相似度度量——如用户行为模式、物品特征与历史交互。调和平均通过避免单一因素的过度影响，帮助平衡这些度量。

例如，在权衡用户偏好时，电影推荐系统可能需要同时考虑用户的类型偏好、评分历史与观看时长模式。调和平均也有助于解决“多样性-相关性权衡”，避免推荐过于狭隘或过于分散。这在电商与内容流媒体平台中尤为重要，因为维持用户参与度需要在推荐相似内容与引入新颖选项之间取得微妙平衡。

调和平均数与其他平均数的比较

我们来比较调和平均数与其他平均数，并看看各自适用的典型场景。 

若想更深入了解其他平均数的原理，可阅读我关于算术平均数与几何平均数的教程。 

使用调和平均数的关键考量

示例：处理极端值

设想一位基金经理在分析三只等额投资、但盈利差异巨大的股票：

• 股票 A：投资 $100，盈利 $2，市盈率 = 50（高估值）
• 股票 B：投资 $100，盈利 $10，市盈率 = 10（中等估值）
• 股票 C：投资 $100，盈利 $25，市盈率 = 4（低估值）

我们来比较不同平均数如何处理这些差异巨大的市盈率：

• 算术平均数：(50 + 10 + 4) / 3 ≈ 21.33 P/E 
• 调和平均数：3 / (1/50 + 1/10 + 1/4) ≈ 8.11 P/

验证组合的真实市盈率：

• 总投资：$300（$100 × 3）
• 总盈利：$37（$2 + $10 + $25）
• 实际组合市盈率：$300/$37 ≈ 8.11

算术平均数 21.33 受股票 A（50）的极端市盈率严重影响，给出了远高于实际的平均估值。约 8.11 的调和平均数则给出正确的组合市盈率，因为它天然对极高值赋予更小权重，更好地代表了合并投资的真实盈利能力。

调和平均数的优势

• 非常适合基于速率的计算
• 对大型离群值不敏感
• 能为倒数关系提供准确的平均

调和平均数的局限

• 无法处理零值
• 对较小的数值更敏感
• 对非技术读者可能不够直观

结语：为何调和平均数重要

调和平均数是一个关键工具，尤其适用于处理速率、比率和倒数关系。虽然它的使用频率不如算术平均数，但理解其适用时机与计算方法，能够带来更准确的分析与更优的决策。

无论您是在评估投资组合、分析机器学习模型，还是解决物理问题，调和平均数都能提供其他平均方式可能忽略的洞见。通过理解其性质与应用，您可以为特定需求选择合适的平均方式，避免数据分析中的常见陷阱。继续学习，欢迎报名我们的Python 机器学习科学家职业路径。