这篇文章主要介绍了python 标准差计算的实现（std），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
numpy.std() 求标准差的时候默认是除以 n 的，即是有偏的，np.std无偏样本标准差方式为加入参数 ddof = 1；
pandas.std() 默认是除以n-1 的，即是无偏的，如果想和numpy.std() 一样有偏，需要加上参数ddof=0 ，即pandas.std(ddof=0) ；DataFrame的describe()中就包含有std()；
demo：
>>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> np.std(a, ddof = 1) 3.0276503540974917 >>> np.sqrt(((a - np.mean(a)) ** 2).sum() / (a.size - 1)) 3.0276503540974917 >>> np.sqrt(( a.var() * a.size) / (a.size - 1)) 3.0276503540974917
PS:numpy中标准差std的神坑
我们用Matlab作为对比。计算标准差，得到：
>> std([1,2,3]) ans = 1
然而在numpy中：
>>> np.std([1,2,3]) 0.81649658092772603
什么鬼！这么简单的都能出错？原因在于，np.std有这么一个参数：
ddof : int, optional
Means Delta Degrees of Freedom. The divisor used in calculations is N – ddof, where N represents the number of elements. By default ddof is zero.
因此，想要正确调用，必须使ddof=1：
>>> np.std([1,2,3], ddof=<em style="color:transparent">来源[email protected]搞@^&代*@码网</em>1) 1.0
而且，这一特性还影响到了许多基于numpy的包。比如scikit-learn里的StandardScaler。想要正确调用，只能自己手动设置参数：
ss = StandardScaler() ss.mean_ = np.mean(X, axis=0) ss.scale_ = np.std(X, axis=0, ddof=1) X_norm = ss.transform(X)
当X数据量较大时无所谓，当X数据量较小时则要尤为注意。
以上就是python 标准差计算的实现（std）的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：python 标准差计算的实现（std）
转载请注明原文链接：python 标准差计算的实现（std）
