numpy.std¶
-
numpy.
std
(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<class numpy._globals._NoValue>)[source]¶ 计算沿指定轴的标准偏差。
返回数组元素的标准偏差,分布的扩展的度量。默认情况下为扁平数组计算标准偏差,否则在指定轴上计算。
参数: a:array_like
计算这些值的标准偏差。
axis:无或int或tuple ints,可选
计算标准偏差的轴或轴。默认值是计算扁平数组的标准偏差。
如果这是一个ints的元组,则在多个轴上执行标准偏差,而不是像以前一样执行单个轴或所有轴。
dtype:dtype,可选
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float类型的数组,它与数组类型相同。
out:ndarray,可选
用于放置结果的替代输出数组。它必须具有与预期输出相同的形状,但如果需要,将转换类型(计算值)。
ddof:int,可选
意味着三角自由度。用于计算的除数是
N - ddof
,其中N
的元素。默认情况下,ddof为零。keepdims:bool,可选
返回: standard_deviation:ndarray,请参阅上面的dtype参数。
如果out为None,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。
笔记
标准偏差是来自平均值的平方偏差的平均值的平方根,即
std = sqrt(mean(abs / t3> - x.mean())** 2))
。The average squared deviation is normally calculated as
x.sum() / N
, whereN = len(x)
. 但是,如果指定ddof,则使用除数N - ddof 代替。
在标准统计实践中,ddof=1
提供无穷总体方差的无偏估计量。ddof=0
提供正态分布变量的方差的最大似然估计。在该函数中计算的标准偏差是估计方差的平方根,因此即使在ddof=1
时,它也不是标准偏差本身的无偏估计。需要注意的是,对于复数,
std
对于浮点输入,使用输入具有的相同精度计算std。根据输入数据,这可能导致结果不准确,特别是对于float32(参见下面的示例)。使用
dtype
关键字指定更高精度的累加器可以缓解此问题。例子
>>> a = np.array([[1, 2], [3, 4]]) >>> np.std(a) 1.1180339887498949 >>> 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