numpy.ma.MaskedArray.var#

方法

ma.MaskedArray.var(axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>, mean=<no value>)[source]#

沿指定轴计算方差。

返回数组元素的方差，它是分布分散程度的度量。默认情况下，方差是针对扁平化数组计算的，否则是在指定的轴上计算。

参数:
aarray_like

包含需要计算方差的数字的数组。如果 a 不是数组，则尝试进行转换。

axisNone 或 int 或 int 元组，可选

计算方差的轴或轴。默认值为计算扁平化数组的方差。

版本 1.7.0 中的新内容。

如果这是一个 int 元组，则会对多个轴执行方差运算，而不是像以前那样对单个轴或所有轴执行方差运算。

dtype数据类型，可选

用于计算方差的类型。对于整数类型数组，默认值为 float64；对于浮点类型数组，它与数组类型相同。

outndarray，可选

放置结果的备用输出数组。它必须与预期输出具有相同的形状，但如果需要，类型将被转换。

ddof{int, float}，可选

“自由度增量”：计算中使用的除数为 N - ddof，其中 N 表示元素的数量。默认情况下，ddof 为零。有关 ddof 用法的详细信息，请参阅注释。

keepdimsbool，可选

如果将其设置为 True，则缩减的轴将作为大小为 1 的维度保留在结果中。使用此选项，结果将针对输入数组正确广播。

如果传递默认值，则 keepdims 不会传递到 var 方法的 ndarray 子类的 var 方法中，但是任何非默认值都会传递。如果子类的方法没有实现 keepdims，则会引发任何异常。

wherebool 型数组，可选

要包含在方差中的元素。有关详细信息，请参阅 reduce。

版本 1.20.0 中的新内容。

mean类数组，可选

提供均值以防止重新计算。均值应具有与使用 keepdims=True 计算时相同的形状。计算均值的轴应与对该 var 函数的调用中使用的轴相同。

版本 1.26.0 中的新内容。

correction{int, float}，可选

ddof 参数的与数组 API 兼容的名称。一次只能提供其中一个。

版本 2.0.0 中的新内容。

返回值:
variancendarray，请参阅上面的 dtype 参数

如果 out=None，则返回一个包含方差的新数组；否则，返回对输出数组的引用。

另请参阅

std、mean、nanmean、nanstd、nanvar
输出类型确定

注释

数组方差计算有几种常见的变体。假设输入a是一个一维NumPy数组，并且mean要么作为参数提供，要么计算为a.mean()，NumPy计算数组的方差如下所示：

N = len(a)
d2 = abs(a - mean)**2  # abs is for complex `a`
var = d2.sum() / (N - ddof)  # note use of `ddof`

参数ddof的不同值在不同的上下文中很有用。NumPy的默认值ddof=0对应于表达式

\[\frac{\sum_i{|a_i - \bar{a}|^2 }}{N}\]

在统计学领域，这有时被称为“总体方差”，因为它将方差的定义应用于a，就好像a是所有可能观测值的完整总体一样。

许多其他库对数组的方差定义不同，例如：

\[\frac{\sum_i{|a_i - \bar{a}|^2}}{N - 1}\]

在统计学中，所得量有时被称为“样本方差”，因为如果a是从较大总体中随机抽取的样本，则此计算提供了对总体方差的无偏估计。分母中使用\(N-1\)通常称为“贝塞尔校正”，因为它校正了当使用a的样本均值代替总体的真实均值时，方差估计中引入的偏差（向较低值）。对于此量，请使用ddof=1。

请注意，对于复数，在平方之前取绝对值，因此结果始终为实数且非负。

对于浮点输入，方差使用输入具有的相同精度计算。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。

示例

>>> import numpy as np
>>> 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])

在单精度下，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

在 float64 中计算方差更准确

>>> 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

使用 mean 关键字节省计算时间

>>> import numpy as np
>>> from timeit import timeit
>>>
>>> a = np.array([[14, 8, 11, 10], [7, 9, 10, 11], [10, 15, 5, 10]])
>>> mean = np.mean(a, axis=1, keepdims=True)
>>>
>>> g = globals()
>>> n = 10000
>>> t1 = timeit("var = np.var(a, axis=1, mean=mean)", globals=g, number=n)
>>> t2 = timeit("var = np.var(a, axis=1)", globals=g, number=n)
>>> print(f'Percentage execution time saved {100*(t2-t1)/t2:.0f}%')

Percentage execution time saved 32%
本页内容