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。

另请参阅

std: 标准差
mean: 平均值
var: 方差，但不忽略 NaN
nanstd, nanmean
输出类型确定

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