dask.array.std

dask.array.std¶

dask.array.std(a, axis=None, dtype=None, keepdims=False, ddof=0, split_every=None, out=None)[源代码]¶

计算指定轴上的标准差。

此文档字符串是从 numpy.std 复制的。

Dask 版本可能存在一些不一致性。

返回数组元素的标准差，这是分布扩散程度的一种度量。默认情况下，标准差是针对展平后的数组计算的，否则沿指定的轴计算。

参数

aarray_like

计算这些值的标准差。

轴None 或 int 或 int 的元组，可选

计算标准差的轴或轴。默认是计算展平数组的标准差。

1.7.0 新版功能.

如果这是一个整数元组，则会在多个轴上执行标准差，而不是像之前那样在单个轴或所有轴上执行。

dtypedtype, 可选

用于计算标准差的类型。对于整数类型的数组，默认是 float64，对于浮点类型的数组，则与数组类型相同。

出ndarray，可选

替代输出数组，用于放置结果。它必须具有与预期输出相同的形状，但如果需要，类型（计算值的类型）将被强制转换。更多详情请参见 Output type determination。

ddof{int, float}, 可选

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

keepdimsbool, 可选

如果设置为True，被减少的轴将作为尺寸为1的维度保留在结果中。通过此选项，结果将正确地与输入数组进行广播。

如果传递了默认值，那么 keepdims 将不会传递给 ndarray 子类的 std 方法，然而任何非默认值都会被传递。如果子类的方法没有实现 keepdims，任何异常都会被引发。

哪里array_like 的布尔值，可选（Dask 不支持）

包含在标准差中的元素。详情请参见 ~numpy.ufunc.reduce。

1.20.0 新版功能.

平均array_like, 可选 (Dask 不支持)

提供防止其重新计算的方法。均值应具有与使用 keepdims=True 计算时相同的形状。计算均值的轴应与调用此标准差函数时使用的轴相同。

1.26.0 新版功能.

修正{int, float}, 可选 (Dask 中不支持)

ddof 参数的 Array API 兼容名称。它们中只能同时提供一个。

2.0.0 新版功能.

返回

标准差ndarray，见上文的 dtype 参数。: 如果 out 为 None，返回一个包含标准差的新数组，否则返回输出数组的引用。

参见

var, mean, nanmean, nanstd, nanvar
ufuncs-输出类型

注释

有几种常见的数组标准差计算变体。假设输入 a 是一个一维的 NumPy 数组，并且 mean 作为参数提供或计算为 a.mean()，NumPy 计算数组的标准差为:

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 的不同值在不同上下文中很有用。NumPy 的默认 ddof=0 对应于以下表达式：

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

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完整总体一样。

许多其他库以不同的方式定义数组的标准差，例如：

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

在统计学中，得到的量有时被称为“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，这个计算提供了总体方差的无偏估计的平方根。分母中使用 $N-1$ 通常被称为“贝塞尔校正”，因为它校正了在用样本均值 a 代替总体真实均值时引入的方差估计偏差（偏向较低值）。由此得到的标准差估计仍然是有偏的，但比没有校正时要小。对于这个量，使用 ddof=1。

注意，对于复数，std 在平方之前取绝对值，因此结果总是实数且非负。

对于浮点数输入，标准差是使用与输入相同的精度计算的。根据输入数据的不同，这可能导致结果不准确，特别是对于 float32（见下例）。使用 dtype 关键字指定更高精度的累加器可以缓解这个问题。

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

指定一个 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%

dask.array.stack

dask.array.subtract