collections.Counter()是dict的子类。只需使用Counter().values()来获取计数列表，您可以使用标准库staticstics.mean()函数

import statistics

counts = Counter(some_iterable_to_be_counted)
mean = statistics.mean(counts.values())

请注意，我没有在这里调用Counter.most_common()，这将生成您在问题中发布的(key, count)元组列表。
如果必须使用Counter.most_common()的输出，可以使用生成器表达式过滤掉计数：

mean = statistics.mean(count for key, count in most_common_list)

如果你想计算平均值 key value，并通过它们的计数进行加权，你可以直接从计数器值中进行自己的计算：

mean = sum(key * count for key, count in counter.items()) / counter.total())

注意：我在这里使用了Counter.total()，这是Python 3.10中的新特性。在旧版本中。使用sum(counter.values())。
对于中位数，使用statistics.median()：

import statistics

counts = Counter(some_iterable_to_be_counted)
median = statistics.median(counts.elements())

或者，对于key * value：

median = statistics.median(key * count for key, count in counts.items())

虽然您可以在创建一个值列表后将所有内容卸载到numpy，但这将比所需的速度慢。相反，您可以使用您需要的实际定义。
平均值就是所有数字的总和除以它们的计数，所以这很简单：

sum_of_numbers = sum(number*count for number, count in counter.items())
count = sum(count for n, count in counter.items())
mean = sum_of_numbers / count

标准差稍微复杂一点。它是方差的平方根，而方差又被定义为集合的“平方均值减去均值的平方”。苏...

total_squares = sum(number*number * count for number, count in counter)
mean_of_squares = total_squares / count
variance = mean_of_squares - mean * mean
std_dev = math.sqrt(variance)

多一点手工工作，但如果数字集有很多重复，也应该快得多。

除非你想写自己的统计函数，否则没有现成的解决方案（据我所知）。
所以最后你需要创建列表，最快的方法是使用numpy。一种方法是：

import numpy as np

# One memory allocation will be considerably faster
# if you have multiple discrete values.
elements = np.ones(48+49)
elements[0:48] *= 4082
elements[48:] *= 1146

# Then you can use numpy statistical functions to calculate
np.mean(elements)
np.std(elements)
# ...

UPDATE：从现有的collections.Counter（）对象中创建元素

c = collections.Counter({48: 4082, 49: 1146})
elements = np.ones(sum(c.values()))
idx = 0
for value, occurrences in c.iteritems():
    elements[idx:idx + occurrences] *= value
    idx += occurrences