第三单元：均值筛选 · 求和平均与多条件选优

3.1.1 为什么用平均值（Why the Average）

3.1.1.1 平均值是一条"基线" The average is a baseline

Senick 不知道 Burleous Majorus 到底该有"多大"才算大。孤立地看一个数字没有意义——身高 3 米算大吗？如果周围的树妖平均身高就是 3 米，那它只是普通个头。所以正确的做法是先算出整个种群的平均大小，把它当作一条参考基线：凡是超过平均值的，才是"偏大"的候选。平均值把绝对数值变成了有意义的相对判断。

3.1.2 两步走思路（The Two-Step Approach）

3.1.2.1 先求均值，再做筛选 First compute the mean, then filter

本单元所有关卡都遵循同一个"两步走"结构。第一步：遍历所有单位，求出它们某个属性（如 size）的平均值。第二步：再遍历一次，用这个平均值作为筛选标准，挑出满足条件（高于平均且距离最近）的最佳目标。理解这个"先统计、后决策"的两遍遍历结构，就抓住了整个单元的骨架。

3.2.1 累加器模式（The Accumulator Pattern）

3.2.1.1 从 0 开始，逐个加进去 Start from zero, add each one in

求和是求平均的第一步，用的是编程里最经典的累加器模式（accumulator pattern）：先建一个初始为 0 的变量 sum，然后遍历数组，把每个元素的目标属性一个个加到 sum 上。循环结束时，sum 里装的就是所有元素的总和。这个"变量+循环累加"的套路，是数据统计的基本功。

# 累加器模式：求数组中所有元素 size 的总和
def sumSize(burls):
    sum = 0                        # 1. 初始化累加器
    for i in range(len(burls)):    # 2. 遍历每个元素
        burl = burls[i]
        sum += burl.size          # 3. 把它的 size 加进去
    return sum                    # 4. 返回总和

3.2.2 用索引访问属性（Accessing Attributes by Index）

3.2.2.1 array[i].属性名 array[i].attribute

关卡里的数组元素都是单位对象，每个对象带着自己的属性（如 size、health、pos）。用 range(len(array)) 遍历时，i 是索引，array[i] 是第 i 个对象，array[i].size 才是它的大小。也可以先把对象取出到变量再访问，两种写法等价，后者更易读。

for i in range(len(burls)):
    burl = burls[i]
    sum += burl.size

for i in range(len(burls)):
    sum += burls[i].size

3.3.1 平均值 = 总和 ÷ 数量（sum / length）

3.3.1.1 一个除法就搞定 Just one division

有了总和，求平均值就非常简单——用总和除以元素的数量。数量就是数组的长度，在关卡里写作 burls.length（标准 Python 里是 len(burls)）。这一个除法，就把一堆数字浓缩成了一个代表"整体水平"的值。

# 平均值的最小例子
sum = 1 + 2 + 5 + 4   # 总和 = 12
average = sum / 4          # 4 个元素 → 平均值 = 3

3.3.2 封装成 average 函数（Encapsulate an average Function）

3.3.2.1 一个函数完成"求和 + 相除" One function to sum and divide

把求和与相除合并进一个函数，就得到了通用的求平均值工具。它接收一个数组，内部用累加器求和，最后返回 sum / len(array)。这样主程序只要写一句 averageSize(yaks) 就能拿到平均大小，干净利落。这正是"睡眠样本"关卡要求你从头独立实现的函数。

# 通用的求平均大小函数（求和与相除合二为一）
def averageSize(units):
    sum = 0                        # 初始化累加器
    for i in range(len(units)):
        unit = units[i]
        sum += unit.size          # 累加每个单位的大小
    return sum / len(units)      # 总和 ÷ 数量 = 平均值

3.4.1 用 and 组合条件（Combining with and）

3.4.1.1 两个条件必须同时成立 Both conditions must hold at once

"诱骗牦牛"关卡的挑战在于：好诱饵既要够大、又要够近。只看距离不行——可能选到一头很近的小牦牛，骗不到大树妖；只看大小也不行——最大的那头可能远在牛群深处，跑过去会激怒整群牦牛。所以要用逻辑运算符 and 把两个条件串成一个：只有同时满足"大小 > 平均值"且"距离 < 当前最近"的牦牛，才算合格候选。

3.4.2 距离近且高于均值（Closer AND Above Average）

3.4.2.1 把两个判断写进一个 if Put both tests in one if

在遍历牦牛的循环里，对每头牦牛先算出它的距离 yakDistance 和大小 yakSize，然后用一个 if 同时检查两个条件。只有当这头牦牛比目前记录的最佳更近，并且大小超过平均值时，才认为它是"更好的选择"，进而更新记录。

# 用 and 同时检查"高于均值"和"更近"两个条件
yakDistance = hero.distanceTo(yak)
yakSize = yak.size
if yakSize > avgSize and yakDistance < closestDist:
    # 这头牦牛又大又近，是更好的候选
    ...

3.5.1 条件擂台算法（The Conditional Tournament）

3.5.1.1 带筛选条件的"打擂台" A tournament with a filter

这其实是第一单元"打擂台求最值"的升级版。区别在于：现在擂主的更换不只看一个指标，还要先通过筛选条件。做法是设两个记录变量——bestYak = None（当前最佳）和 closestDist = Infinity（当前最近距离，初始设为无穷大）。遍历每头牦牛，若它同时满足两个条件，就让它当新擂主：更新 bestYak 和 closestDist。遍历结束，擂台上就是那头"高于平均、且在合格者中最近"的最佳牦牛。

# 条件擂台：找出高于均值且最近的最佳牦牛
bestYak = None
closestDist = 9999          # 初始设成很大的距离
for i in range(len(yaks)):
    yak = yaks[i]
    yakDistance = hero.distanceTo(yak)
    yakSize = yak.size
    if yakSize > avgSize and yakDistance < closestDist:
        bestYak = yak            # 更新最佳目标
        closestDist = yakDistance  # 更新最近记录

3.5.2 返回目标对象（Returning the Target Object）

3.5.2.1 返回的是对象，不是数字 Return the object, not a number

筛选的最终产物是一个单位对象（那头最佳牦牛），而不仅仅是它的大小或距离。把整个 bestYak 对象保存下来并返回，调用方才能对它下命令——比如 hero.say(bestYak) 标出它，或指挥单位移向 bestYak.pos。记住：我们要的是"哪一个"，所以保存和返回的应当是元素本身。

这一节聚焦每一关的策略、思路与算法设计，只展示用于说明的关键片段，完整通关程序请你自己动手完成。

关卡 · 寻找开始

🌲 寻找开始 —— 求树妖的平均大小

图2：寻找开始——趁树妖迁徙时测量种群平均大小，作为日后识别传说树妖 Burleous Majorus 的基线

策略：先建立"平均大小"这条基线

Senick 要找传说中体型无与伦比的 Burleous Majorus，可他不知道"多大才算大"。本关的任务是趁树妖迁徙，测出这群树妖的平均大小并说出来，作为将来识别巨型树妖的参考基线。这是整个单元的起点——一切筛选都建立在"平均值"之上。

思路拆解：拆成两个函数

关卡把求平均值拆成了两个协作的函数。sumSize 负责用累加器模式遍历所有树妖、把它们的 size 累加成总和；averageSize 则调用 sumSize 拿到总和，再除以数量得到平均值。这种"求和归求和、相除归相除"的分工，体现了函数职责单一的思想。

# 关键片段：sumSize 求总和，averageSize 求平均
def sumSize(burls):
    sum = 0
    for i in range(len(burls)):
        sum += burls[i].size   # 累加每个树妖的大小
    return sum

def averageSize(burls):
    sum = sumSize(burls)       # 借助 sumSize 拿到总和
    return sum / len(burls)   # 总和 ÷ 数量

主循环怎么用：在 while True 里先用 hero.findEnemies() 拿到树妖数组，调用 averageSize 得到平均值，再用 hero.say(avgSize) 说出来。这样每帧都会报告当前视野内树妖的平均大小。

pass 只是占位：默认代码里 sumSize 函数体是一个 pass，那只是"什么都不做"的占位符，提醒你这里需要自己填写累加逻辑。真正实现时要把 pass 替换成累加器代码。

关卡 · 诱骗牦牛

🐂 诱骗牦牛 —— 挑一头又大又近的诱饵

图3：诱骗牦牛——为陷阱挑选一头大小高于平均值、且距离最近的牦牛作诱饵，切勿深入牛群激怒整群

策略：大陷阱要配大诱饵，但别太深入

要抓大树妖 Majorus，需要一头够分量的诱饵牦牛。本关的两难在于：诱饵必须大小高于平均值（够大才骗得到大树妖），但又不能选牛群深处那一头（跑太远会激怒整群牦牛）。所以最佳策略是——在所有"高于平均大小"的牦牛里，挑距离英雄最近的那一头。这就把"大小"和"距离"两个属性结合了起来。

思路拆解：均值 + 条件擂台

算法分两步。第一步补全 averageSize，求出牦牛的平均大小 avgSize。第二步做条件擂台：设 bestYak = None、closestDist = Infinity，遍历每头牦牛，用 if yakSize > avgSize and yakDistance < closestDist 同时检查"够大"和"更近"，满足就更新 bestYak 与 closestDist。最后 hero.say(bestYak) 标出这头最佳诱饵。

# 关键片段：在高于均值的牦牛中找最近的一头
avgSize = averageSize(yaks)
bestYak = None
closestDist = 9999
for i in range(len(yaks)):
    yak = yaks[i]
    yakDistance = hero.distanceTo(yak)
    if yak.size > avgSize and yakDistance < closestDist:
        bestYak = yak
        closestDist = yakDistance
hero.say(bestYak)

别只按距离选：本关的核心提醒是——不要把"最近"当作唯一标准。如果只写 if yakDistance < closestDist，很可能选中一头很近的小牦牛，Senick 就抓不到大树妖了。size > avgSize 这个条件绝不能省。

为什么"最近"能防激怒：牛群深处的牦牛跑过去要穿过整群，容易惊动其他牦牛。在合格（够大）的牦牛中选最近的，就能尽量在牛群边缘取饵，降低激怒风险。这是"距离条件"背后的实战考量。

关卡 · 睡眠样本 © 扣哒世界 本文档仅供官方平台用户学习使用，未经授权禁止转载、复制或用于商业用途。

💤 睡眠样本 —— 从头独立写 average 函数

图4：睡眠样本——计划的最后一步，独立从零实现求平均值的函数，测出雪人的平均尺寸

策略：计划收官，独立实现均值函数

这是 Senick 大计划的最后一步。前两关你分别学会了"求和"和"求和+相除"，本关不再给你任何脚手架——要求你从零开始、独立地写出完整的 average 函数，测出雪人的平均尺寸。这是对本单元核心技能的一次综合检验。

思路拆解：先按类型找，再套四步模板

算法很清晰。第一步用 hero.findByType("yeti") 精确找出所有雪人（而不是所有敌人），存进 yetis。第二步套用求平均值的四步模板：初始化 sum = 0、遍历累加每个雪人的 size、返回 sum / len(yetis)。第三步用 hero.say(...) 说出平均尺寸。

# 关键片段：findByType 精确取雪人，再求平均
yetis = hero.findByType("yeti")   # 只要雪人

def averageSize(yetis):
    sum = 0
    for i in range(len(yetis)):
        sum += yetis[i].size
    return sum / len(yetis)

hero.say(averageSize(yetis))   # 说出雪人平均尺寸

findByType 比 findEnemies 更精准：本关要的是"雪人"这一特定类型，用 findByType("yeti") 能只挑出雪人，避免把其他单位也算进平均值里。当你只关心某一类单位时，findByType 往往比笼统的 findEnemies 更合适。

这是一次"默写"：睡眠样本没有默认代码框架，正是要检验你能否凭记忆完整写出求平均值的四步。如果卡住了，回想那句口诀：初始化 sum、遍历、累加 size、返回 sum 除以长度。

3.7.1 新手最容易踩的坑（Pitfalls for Beginners）

3.7.1.1 均值筛选的典型问题 Typical issues with average filtering

图5：sum 位置错、忘记相除、条件写反、只更新一个变量，是本单元最常见的失误