numpy.var

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

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。

参数

aarray_like

包含所需方差的数字的数组。如果 a 不是数组，尝试转换。

axis无、int或int的元组，可选

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。

dtype数据类型，可选

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。

outndarray，可选

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。

ddof可选的

“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。

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 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。

where数组类似bool，可选

要包含在差异中的元素。看到了吗 reduce 有关详细信息。

1.20.0 新版功能.

返回

variancendarray，请参见上面的dtype参数

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。

参见

std, mean, nanmean, nanstd, nanvar

输出类型确定

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 .

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。

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。

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

numpy.std numpy.nanmedian