numpy.nanvar#
- numpy.nanvar(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>, *, where=<no value>, mean=<no value>, correction=<no value>)[source]#
计算指定轴上的方差,同时忽略 NaN。
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。
对于全 NaN 切片或自由度为零的切片,将返回 NaN 并引发 RuntimeWarning。
版本 1.8.0 中的新功能。
- 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。
- axis{int, int 元组, None}, 可选
计算方差的轴或轴。默认情况下,计算扁平化数组的方差。
- 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
“Delta Degrees of Freedom”:计算中使用的除数为
N - ddof
,其中N
表示非 NaN 元素的数量。默认情况下,ddof 为零。- keepdimsbool, 可选
如果将其设置为 True,则减少的轴将保留在结果中作为大小为一的维度。使用此选项,结果将针对原始 a 正确广播。
- wherebool 类型的 array_like, 可选
要包含在方差中的元素。有关详细信息,请参阅
reduce
。版本 1.22.0 中的新功能。
- meanarray_like, 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 中的新功能。
- correction{int, float}, 可选
ddof
参数的与数组 API 兼容的名称。两者只能同时提供一个。版本 2.0.0 中的新功能。
- 返回值:
- variancendarray,请参阅上述 dtype 参数
如果 out 为 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。如果 ddof 大于或等于切片中非 NaN 元素的数量,或者切片仅包含 NaN,则该切片的结果为 NaN。
注释
方差是与均值的平方偏差的平均值,即
var = mean(abs(x - x.mean())**2)
。均值通常计算为
x.sum() / N
,其中N = len(x)
。但是,如果指定了 ddof,则使用除数N - ddof
代替。在标准统计实践中,ddof=1
提供了假设无限总体方差的无偏估计。ddof=0
提供了正态分布变量方差的最大似然估计。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,尤其是对于
float32
(请参见下面的示例)。使用dtype
关键字指定更高精度的累加器可以缓解此问题。为了使此函数能够处理 ndarray 的子类,它们必须使用 kwarg keepdims 定义
sum
示例
>>> import numpy as np >>> a = np.array([[1, np.nan], [3, 4]]) >>> np.nanvar(a) 1.5555555555555554 >>> np.nanvar(a, axis=0) array([1., 0.]) >>> np.nanvar(a, axis=1) array([0., 0.25]) # may vary