Python numpy std用法及代码示例

本文简要介绍 python 语言中 numpy.std 的用法。

用法:

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，即分布分布的度量。默认情况下为展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 或整数元组，可选

计算标准偏差的一个或多个轴。默认是计算展平数组的标准差。

如果这是一个整数元组，则在多个轴上执行标准偏差，而不是像以前那样在单个轴或所有轴上执行。

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，对于浮点类型的数组，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，但如有必要，将强制转换(计算值的)类型。

ddof： 整数，可选

表示 Delta 自由度。计算中使用的除数是N - ddof，其中N表示元素的数量。默认ddof为零。

keepdims： 布尔型，可选

如果将其设置为 True，则缩小的轴将作为尺寸为 1 的尺寸留在结果中。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，那么保持昏暗不会被传递到std子类的方法numpy.ndarray，但是任何非默认值都是。如果sub-class' 方法没有实现保持昏暗将引发任何异常。

where： 类似于 bool 的数组，可选

要包含在标准偏差中的元素。有关详细信息，请参阅 reduce 。

返回：

standard_deviation： ndarray，请参见上面的 dtype 参数。

如果 out 为 None，则返回一个包含标准差的新数组，否则返回对输出数组的引用。

注意：

标准偏差是与平均值的平方偏差的平均值的平方根，即 std = sqrt(mean(x)) ，其中 x = abs(a - a.mean())**2 。

平均平方偏差通常计算为x.sum() / N，其中N = len(x).然而，如果，ddof被指定，除数N - ddof改为使用。在标准统计实践中，ddof=1提供了无限总体方差的无偏估计。ddof=0提供正态分布变量的方差的最大似然估计。在这个函数中计算的标准偏差是估计方差的平方根，所以即使ddof=1，它不会是标准偏差本身的无偏估计。

请注意，对于复数，std 取平方前的绝对值，因此结果始终为实数且非负数。

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，这可能会导致结果不准确，尤其是对于 float32(请参见下面的示例)。使用 higher-accuracy 累加器指定numpy.dtype关键字可以缓解这个问题。

例子：

>>> 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])

在单精度下，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