Python median_low 与 median_high：中间值算出来了，为什么却不是任何一条观测
有四次试运行耗时：二、七、九、二十秒。你想挑一次处于中间位置的试验，交给同事复核，普通中位数却给出八秒。计算没有错，只是八是两条中央观测的平均值，本来就不需要出现在原始数据中。选择一条真实观测与概括一组数值，是两个不同的任务。
statistics 提供 median_low 和 median_high。样本数为偶数时，它们分别选择排序后靠下和靠上的中央值；样本数为奇数时，两者都选唯一的中央值。下面对未排序输入运行完整示例，保存为 demo.py，执行 python demo.py，只依赖标准库。这里统计的是示例秒数，不代表真实性能测试。
AI生成概念插图：一列真实样本的两个中央位置分别高亮，中间空心位置表示插值结果；不是实验照片或运行截图。
from statistics import median, median_low, median_high, StatisticsError
from math import isfinite
def select_middle(values, choose_high=False):
values = list(values)
if not values:
raise ValueError("at least one observation is required")
if any(type(x) not in (int, float) or not isfinite(x) for x in values):
raise ValueError("finite int or float observations are required")
return median_high(values) if choose_high else median_low(values)
data = [20, 2, 9, 7]
snapshot = data.copy()
ordinary = median(data)
low, high = select_middle(data), select_middle(data, True)
assert (ordinary, low, high) == (8.0, 7, 9)
assert ordinary not in data and low in data and high in data
assert data == snapshot
print("median:", ordinary)
print("low:", low)
print("high:", high)
odd = [11, 3, 10]
assert median(odd) == median_low(odd) == median_high(odd) == 10
assert median_low([1, 1, 9, 9]) == 1
assert median_high([1, 1, 9, 9]) == 9
print("odd:", median(odd))
try:
median_low([])
except StatisticsError:
print("empty sample rejected")
else:
raise AssertionError("empty sample accepted")
for bad in [[], [True], [float("nan")], [float("inf")]]:
try:
select_middle(bad)
except ValueError:
pass
else:
raise AssertionError("invalid sample accepted")
print("input checks passed")三种输出回答不同的问题
第一组打印 median: 8.0、low: 7、high: 9。低中位数不是最小值，高中位数也不是最大值，它们只在两条中央观测之间作确定的选择。代码同时断言七和九存在于输入中、八不在输入中，直接检验了“必须选择一个实际值”的要求。
换成三、十、十一三个数时，三种函数都返回十。因为排序后只有一个中央位置，不再需要在两条之间决定。重复观测仍然分别占据位置，不能为了让列表看起来整齐先转成集合；示例中一、一、九、九的低中位数是一，高中位数是九，去重会改变样本量和统计含义。
函数会处理排序，不要求调用前先把列表改成有序状态。示例还检查原列表仍保持原来的顺序，让采样顺序继续可用。但别据此推断它是适合无限流的在线算法：要确定整批数据的中间位置，仍需处理整批输入，也应考虑实际样本的规模。
先决定选择规则，再解释结论
如果场景要求从现有测试记录里选一个代表值，要预先说明选低还是选高。对于耗时，较低意味着中央两条里较快的那条；对于完成数量，较低却可能意味着较弱的那条。函数名字没有附带保守、乐观或者安全的业务含义，不能看完结果再挑更好看的一个。
只选出值还不一定选出了记录。多次试验可以恰好同样耗时，如果还要报告对应的日志编号，应另写并列选择规则，例如在相同耗时中取编号最小者。不要用一次 list.index 就默默把“最早在数组出现”当成业务标准；原始输入顺序变化以后，选中的记录也会变化。
示例的校验器只接受非空的有限整数或浮点数，明确拒绝布尔值、无穷和非数值。这个限制是本教程的输入契约，不是对库全部能力的描述。现实数据若使用 Decimal 或 Fraction，应当另定一致的数值类型和校验规则，避免不同来源混合后才发现比较或运算不符合预期。
空输入没有可用的中央观测，因此代码确认原始函数会抛出 StatisticsError，而业务入口给出更早的说明。缺失值也不要随手替换为零：这样会增加一条并不存在的观测，可能把中间位置往下移动。是否排除缺失、样本最少要有几条，都需要连同结果一起记录。
最后，选到真实观测值不等于该次试验能代表每个运行条件。先按相同任务、环境和计量单位组成可比较的样本，再计算中央位置。这个小实验验证的是三个函数的确定行为，没有证明样本具有代表性，也没有用少量数据推断总体性能。
资料核对日期：2026年10月2日（北京时间）。示例在本地 Python 3.12.14 实际运行并通过断言，结果仅对应文中给定输入。
