numpy.std#
- numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>, *, where=<no value>, mean=<no value>, correction=<no value>)[source]#
计算指定轴上的标准差。
返回数组元素的标准差,它是衡量分布离散程度的指标。默认情况下,标准差是针对扁平化数组计算的,否则是针对指定的轴计算的。
- 参数:
- aarray_like
计算这些值的标准差。
- axisNone 或 int 或 int 元组,可选
计算标准差的轴或轴。默认情况下,计算扁平化数组的标准差。
版本 1.7.0 中的新增功能。
如果这是一个 int 元组,则会针对多个轴执行标准差,而不是像以前那样针对单个轴或所有轴执行标准差。
- dtypedtype,可选
用于计算标准差的类型。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。
- outndarray,可选
用于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,但类型(计算值的类型)将根据需要进行强制转换。有关详细信息,请参见 输出类型确定。
- ddof{int, float},可选
表示自由度的增量。计算中使用的除数是
N - ddof
,其中N
表示元素数量。默认情况下,ddof 为零。有关 ddof 使用的详细信息,请参见注释。- keepdimsbool,可选
如果将其设置为 True,则被缩减的轴将保留在结果中,作为大小为一的维度。使用此选项,结果将针对输入数组正确广播。
如果传递了默认值,则不会将 keepdims 传递给
std
的ndarray
子类的子类方法,但任何非默认值都会传递。如果子类的子类方法没有实现 keepdims,则会引发任何异常。- wherebool 类型的 array_like,可选
要包含在标准差中的元素。有关详细信息,请参见
reduce
。版本 1.20.0 中的新增功能。
- meanarray_like,可选
提供平均值以防止重新计算。平均值应具有与使用
keepdims=True
计算时的形状相同的形状。计算平均值的轴应与调用此 std 函数时使用的轴相同。版本 1.26.0 中的新增功能。
- correction{int, float},可选
与 Array API 兼容的
ddof
参数名称。一次只能提供其中一个。版本 2.0.0 中的新增功能。
- 返回:
- standard_deviationndarray,请参见上面的 dtype 参数。
如果 out 为 None,则返回包含标准差的新数组,否则返回对输出数组的引用。
注释
数组标准差计算有几种常见的变体。假设输入 a 是一个一维 NumPy 数组,而
mean
作为参数提供或计算为a.mean()
,NumPy 计算数组的标准差如下:N = len(a) d2 = abs(a - mean)**2 # abs is for complex `a` var = d2.sum() / (N - ddof) # note use of `ddof` std = var**0.5
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
与表达式\[\sqrt{\frac{\sum_i{|a_i - \bar{a}|^2 }}{N}}\]一致,这在统计学领域有时被称为“总体标准差”,因为它将标准差的定义应用于 a,就好像 a 是所有可能观测值的一个完整的总体一样。
许多其他库对数组的标准差定义不同,例如
\[\sqrt{\frac{\sum_i{|a_i - \bar{a}|^2 }}{N - 1}}\]在统计学中,所得的量有时被称为“样本标准差”,因为如果 a 是从一个更大的总体中随机抽取的样本,那么这个计算提供了对总体方差的无偏估计的平方根。在分母中使用 \(N-1\) 通常被称为“贝塞尔校正”,因为它校正了当使用 a 的样本均值代替总体真实均值时引入的方差估计的偏差(偏向较低的值)。得到的标准差估计仍然有偏差,但比没有校正时要小。对于此量,请使用
ddof=1
。请注意,对于复数,
std
在平方之前取绝对值,因此结果始终为实数且非负数。对于浮点输入,标准差使用与输入相同的精度计算。根据输入数据,这会导致结果不准确,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.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
在 float64 中计算标准差更准确
>>> 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
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("std = np.std(a, axis=1, mean=mean)", globals=g, number=n) >>> t2 = timeit("std = np.std(a, axis=1)", globals=g, number=n) >>> print(f'Percentage execution time saved {100*(t2-t1)/t2:.0f}%') Percentage execution time saved 30%