方法
ma.masked_array.
var
沿指定轴计算方差。
返回数组元素的方差,这是分布扩展的度量。默认情况下,将为展平的数组计算方差,否则将超过指定的轴。
包含所需方差的数字的数组。如果 a 不是数组,尝试转换。
计算方差的轴。默认值是计算展平数组的方差。
1.7.0 新版功能.
如果这是整数的元组,则对多个轴执行方差,而不是像以前那样对单个轴或所有轴执行方差。
用于计算方差的类型。对于整数类型的数组,默认值为 float64 ;对于浮点类型的数组,它与数组类型相同。
用于放置结果的备用输出数组。它必须与预期的输出具有相同的形状,但如果需要,类型是强制转换的。
“三角自由度”:计算中使用的除数是 N - ddof 在哪里 N 表示元素数。默认情况下 ddof 是零。
N - ddof
N
如果设置为“真”,则缩小的轴将保留在结果中,作为尺寸为1的尺寸。使用此选项,结果将针对输入数组正确广播。
如果传递了默认值,则 keepdims 不会传给 var 子类方法 ndarray 但是,任何非默认值都是。如果子类的方法不实现 keepdims 将引发任何异常。
要包含在差异中的元素。看到了吗 reduce 有关详细信息。
reduce
1.20.0 新版功能.
如果 out=None ,返回包含方差的新数组;否则,将返回对输出数组的引用。
out=None
参见
std
mean
nanmean
nanstd
nanvar
笔记
方差是平均值的平方偏差的平均值,即: var = mean(x) 在哪里 x = abs(a - a.mean())**2 .
var = mean(x)
x = abs(a - a.mean())**2
平均值通常计算为 x.sum() / N 在哪里 N = len(x) . 然而,如果 ddof 是指定的,除数 N - ddof 而是使用。在标准统计实践中, ddof=1 提供假设无限总体方差的无偏估计。 ddof=0 为正态分布变量提供方差的最大似然估计。
x.sum() / N
N = len(x)
ddof=1
ddof=0
注意,对于复数,绝对值是在平方之前取的,所以结果总是实数和非负数。
对于浮点输入,使用与输入相同的精度计算方差。根据输入数据,这可能导致结果不准确,尤其是 float32 (见下例)。使用指定更高精度的累加器 dtype 关键字可以缓解此问题。
dtype
实例
>>> a = np.array([[1, 2], [3, 4]]) >>> np.var(a) 1.25 >>> np.var(a, axis=0) array([1., 1.]) >>> np.var(a, axis=1) array([0.25, 0.25])
在单精度中,var()可能不准确:
>>> a = np.zeros((2, 512*512), dtype=np.float32) >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.var(a) 0.20250003
计算float64中的方差更准确:
>>> np.var(a, dtype=np.float64) 0.20249999932944759 # may vary >>> ((1-0.55)**2 + (0.1-0.55)**2)/2 0.2025
指定where参数:
>>> a = np.array([[14, 8, 11, 10], [7, 9, 10, 11], [10, 15, 5, 10]]) >>> np.var(a) 6.833333333333333 # may vary >>> np.var(a, where=[[True], [True], [False]]) 4.0