numpy.std

numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>, *, where=<no value>)

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。

参数

aarray_like

计算这些值的标准偏差。

axis无、int或int的元组，可选

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。

dtype可选类型

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。

outndarray，可选

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）。

ddof可选的

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。

keepdims可选的布尔

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。

where数组类似bool，可选

标准偏差中包含的元素。看到了吗 reduce 有关详细信息。

1.20.0 新版功能.

返回

standard_deviationndarray，请参见上面的dtype参数。

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

输出类型确定

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 .

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。

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。

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

numpy.mean numpy.var