numpy.
std
计算沿指定轴的标准偏差。
返回数组元素的标准偏差(分布扩展的度量)。默认情况下,将为展平的数组计算标准偏差,否则将超过指定的轴。
计算这些值的标准偏差。
计算标准偏差的轴。默认值是计算展平数组的标准偏差。
1.7.0 新版功能.
如果这是整数的元组,则对多个轴执行标准偏差,而不是像以前那样对单个轴或所有轴执行标准偏差。
用于计算标准偏差的类型。对于整数类型的数组,默认值为float64,对于浮点类型的数组,默认值与数组类型相同。
用于放置结果的可选输出数组。它必须具有与预期输出相同的形状,但如果需要,将强制转换(计算值的类型)。
指三角自由度。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 std 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。
ndarray
标准偏差中包含的元素。看到了吗 reduce 有关详细信息。
reduce
1.20.0 新版功能.
如果 out 如果为“无”,则返回包含标准偏差的新数组,否则返回对输出数组的引用。
参见
var
mean
nanmean
nanstd
nanvar
笔记
标准差是平均值平方差平均值的平方根,即: std = sqrt(mean(x)) 在哪里 x = abs(a - a.mean())**2 .
std = sqrt(mean(x))
x = abs(a - a.mean())**2
平均平方偏差通常计算为 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。此函数中计算的标准差是估计方差的平方根,因此即使 ddof=1 它本身不会是对标准偏差的无偏估计。
x.sum() / N
N = len(x)
ddof=1
ddof=0
注意,对于复数, std 在平方之前取绝对值,这样结果总是真实的和非负的。
对于浮点输入, std 使用与输入相同的精度计算。根据输入数据的不同,这可能导致结果不准确,尤其是对于float32(请参见下面的示例)。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.std(a) 1.1180339887498949 # may vary >>> np.std(a, axis=0) array([1., 1.]) >>> np.std(a, axis=1) array([0.5, 0.5])
在单精度中,std()可能不准确:
>>> a = np.zeros((2, 512*512), dtype=np.float32) >>> a[0, :] = 1.0 >>> a[1, :] = 0.1 >>> np.std(a) 0.45000005
计算float64中的标准偏差更准确:
>>> np.std(a, dtype=np.float64) 0.44999999925494177 # may vary
指定where参数:
>>> a = np.array([[14, 8, 11, 10], [7, 9, 10, 11], [10, 15, 5, 10]]) >>> np.std(a) 2.614064523559687 # may vary >>> np.std(a, where=[[True], [True], [False]]) 2.0