Автор оригинала: Team Python Pool.
Вступление
В этом уроке мы узнаем, как найти стандартное отклонение массива numpy. мы можем найти стандартное отклонение массива numpy с помощью функции numpy.std (). мы научимся вычислять это в глубоком, тщательном объяснении каждой части кода с примерами.
Что такое Стандартное отклонение Numpy?
Numpy – это инструментарий, который помогает нам в работе с числовыми данными. Он содержит набор инструментов для создания структуры данных, называемой массивом Numpy. Это в основном сетка строк и столбцов чисел.
Стандартное отклонение-это статистика, которая измеряет величину вариации в наборе данных относительно его среднего значения и вычисляется как квадратный корень дисперсии. Он рассчитывается путем определения отклонения каждой точки данных относительно среднего.
Где,
- Отклонение SD
- x значение массива
- ты имеешь в виду
- N значений
Модуль numpy в python предоставляет различные функции, одной из которых является numpy.std(). Он используется для вычисления стандартного отклонения вдоль указанной оси. Эта функция возвращает стандартное отклонение элементов массива numpy. Квадратный корень среднего квадратного отклонения (известного как дисперсия) называется стандартным отклонением.
Standard Deviation = sqrt(mean(abs(x-x.mean( ))**2
Синтаксис стандартного отклонения Numpy
numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=)
Параметры стандартного отклонения Numpy
- a: array_like – этот параметр используется для вычисления стандартного отклонения элементов массива.
- ось: None, int или кортеж ints – Вычисление стандартного отклонения необязательно. В этом случае мы определяем ось, вдоль которой вычисляется стандартное отклонение. По умолчанию он вычисляет стандартное отклонение сплющенного массива. Если у нас есть кортеж ints, стандартное отклонение выполняется по нескольким осям, а не по одной оси или всем осям, как раньше.
- dtype: data_type – Он также необязателен при расчете стандартного отклонения. По умолчанию для массивов целочисленного типа используется тип данных float64, а массив типа float будет точно таким же, как и тип массива.
- out: ndarray – Это также необязательно при расчете стандартного отклонения. Этот параметр используется в качестве альтернативного выходного массива, в который должен быть помещен результат. Он должен иметь ту же форму, что и ожидаемый результат, но при необходимости мы можем его напечатать.
- ddof: int – Это также необязательно при расчете стандартного отклонения. Это определяет дельта-степень свободы. Делитель, который используется в вычислениях, равен N-ddof, где N представляет количество элементов. По умолчанию ddof равен нулю.
- keepdims: bool – Это необязательно. Когда значение равно true, оно оставит уменьшенную ось в виде размеров с размером один в результирующей. Когда передается значение по умолчанию, оно позволяет нестандартным значениям проходить через метод mean подклассов ndarray, но keepdims не проходят.
Возвращается
Он вернет новый массив, содержащий стандартное отклонение. Если параметр “out” не имеет значения “None”, то он вернет ссылку на выходной массив.
Примеры стандартного отклонения Numpy
1. Numpy.std() – массив 1D
import numpy as np
Arr = np.array([2, 1, 7])
result = np.std(Arr)
print("arr : ",Arr)
print("SD : ",result)
Выход:
arr : [2 1 7] SD : 2.6246692913372702
Объяснение:
Здесь, во-первых, мы импортировали numpy с псевдонимом np. Во – вторых, мы создали массив ‘arr’ с помощью функции array (). В-третьих, мы объявили переменную “результат” и присвоили возвращаемое значение функции std (). Мы передали массив ‘arr ‘ в функцию. Наконец, мы напечатали значение результата.
2. Numpy.std() с помощью
import numpy as np
Arr = [8,9,8,2,8,2]
result = np.std(Arr)
print("Arr : ", Arr)
print("SD: ", result)
print ("More precision value with float32")
print("SD: ", np.std(Arr, dtype = np.float32))
Выход:
Arr : [8, 9, 8, 2, 8, 2] SD: 2.9674156357941426 More precision value with float32 SD: 2.9674158
Объяснение:
Здесь, во-первых, мы импортировали numpy с псевдонимом np. Во – вторых, мы создали массив ‘arr’ с помощью функции array (). В-третьих, мы объявили переменную “результат” и присвоили возвращаемое значение функции std (). Мы передали массив ‘arr’ в функцию. В-четвертых, мы напечатали значение результата. Затем мы использовали параметр type для более точного значения стандартного отклонения, которое имеет значение.float32. И, наконец, мы напечатали результат.
3. Numpy.std() с помощью
import numpy as np
Arr = [8,9,8,2,8,2]
result = np.std(Arr)
print("Arr : ", Arr)
print("SD: ", result)
print ("More accurate value with float64")
print("SD: ", np.std(Arr, dtype = np.float64))
Выход:
Arr : [8, 9, 8, 2, 8, 2] SD: 2.9674156357941426 More accurate value with float64 SD: 2.9674156357941426
Объяснение:
Здесь, во-первых, мы импортировали numpy с псевдонимом np. Во – вторых, мы создали массив ‘arr’ с помощью функции array (). В-третьих, мы объявили переменную “результат” и присвоили возвращаемое значение функции std (). Мы передали массив ‘arr’ в функцию. В-четвертых, мы напечатали значение результата. Затем мы использовали параметр type для более точного значения стандартного отклонения, которое имеет значение.float64. И наконец, мы напечатали вывод.
4. Numpy.std() – 2D массив
import numpy as np
arr = np.array([[2,4,6,8],[2,6,9,7]])
print("Array : ",arr)
result = np.std(arr)
print("SD : ",result)
Выход:
Array : [[2 4 6 8] [2 6 9 7]] SD : 2.449489742783178
Объяснение:
Здесь, во-первых, мы импортировали numpy с псевдонимом np. Во-вторых, мы создали 2D-массив ‘arr’ с помощью функции array (). В-третьих, мы объявили переменную | ‘result’ и присвоили возвращаемое значение функции std (). Мы передали массив ‘arr’ в функцию. Наконец, мы напечатали значение результата.
5. Использование на 2D-массиве для поиска Numpy стандартного отклонения
import numpy as np
arr = np.array([[2,4,6,8],[2,6,9,7]])
print("Array : ",arr)
result = np.std(arr, axis=0)
print("SD : ",result)
Выход:
Array : [[2 4 6 8] [2 6 9 7]] SD : [0. 1. 1.5 0.5]
Объяснение:
Здесь, во-первых, мы импортировали numpy с псевдонимом np. Во-вторых, мы создали 2D-массив ‘arr’ с помощью функции array (). В-третьих, мы объявили переменную “результат” и присвоили возвращаемое значение функции std (). Мы передали массив ‘arr’ в функцию, в которой мы использовали еще один параметр, т. е. |/axis=0. Наконец, мы напечатали значение результата.
6. использование в 2D-массиве для поиска Numpy стандартного отклонения
import numpy as np
arr = np.array([[2,4,6,8],[2,6,9,7]])
print("Array : ",arr)
result = np.std(arr, axis=1)
print("SD : ",result)
Выход:
Array : [[2 4 6 8] [2 6 9 7]] SD : [2.23606798 2.54950976]
Объяснение:
Здесь, во-первых, мы импортировали numpy с псевдонимом np. Во-вторых, мы создали 2D-массив ‘arr’ с помощью функции array (). В-третьих, мы объявили переменную ‘result’ и присвоили возвращаемое значение функции std (). мы передали массив ‘arr’ в функцию, в которой мы использовали еще один параметр, т. е., Наконец, мы напечатали значение результата.
Должен Читать
- ln в Python: Реализация и использование в реальной жизни
- Вложенный словарь в Python: Простое хранение данных
- Реализация Python Max Heap | Python Max Heap
- Numpy Count | Практическое объяснение поиска вхождений
- Numpy any | Всесторонняя витрина булевого анализатора
Вывод: Стандартное Отклонение Numpy
В этом уроке мы подробно узнали о вычислении стандартного отклонения с помощью функции numpy.std (). Мы также подробно рассмотрели все примеры, чтобы лучше понять концепцию.
Однако, если у вас есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.
Счастливого Пифонирования!