Articles

objaśnienie odchylenia standardowego Numpy

by admin

Ten poradnik wyjaśni, jak korzystać z funkcji odchylenia standardowego Numpy (AKA, NP.std).

na wysokim poziomie funkcja odchylenia standardowego Numpy jest prosta. Oblicza odchylenie standardowe wartości w tablicy Numpy.

ale szczegóły działania funkcji są trochę skomplikowane i wymagają wyjaśnienia.

biorąc to pod uwagę, ten poradnik wyjaśni, jak korzystać z funkcji odchylenia standardowego Numpy.

wyjaśni składnię np.std () i pokaż przejrzyste, krok po kroku przykłady działania funkcji.

tutorial jest podzielony na sekcje. Możesz kliknąć na jeden z poniższych linków, który przeniesie cię do odpowiedniej sekcji.

spis treści:

  • bardzo szybki przegląd Numpy
  • Wprowadzenie do odchylenia standardowego Numpy
  • składnia np.std
  • odchylenie standardowe numpy przykłady
  • odchylenie standardowe Numpy FAQ

mimo to, jeśli jesteś stosunkowo nowy w Numpy, możesz przeczytać cały samouczek.

szybki przegląd Numpy

Zacznijmy od szybkiego przeglądu Numpy.

Co To jest Numpy?

Numpy jest zestawem narzędzi do pracy z danymi numerycznymi

mówiąc prościej, Numpy jest zestawem narzędzi do pracy z danymi numerycznymi.

Po pierwsze, Numpy posiada zestaw narzędzi do tworzenia struktury danych zwanej tablicą Numpy.

możesz myśleć o tablicy Numpy jako siatce wierszy i kolumn liczb. Tablice Numpy mogą być 1-wymiarowe, 2-wymiarowe, a nawet n-wymiarowe.

tablica 2D wygląda mniej więcej tak:

przykład dwuwymiarowej tablicy NumPy o numerach od 0 do 7.

dla uproszczenia, w tym tutorialu, będziemy trzymać się 1 lub 2-dimentional tablic.

istnieje wiele sposobów tworzenia różnych typów tablic z różnymi rodzajami liczb. Kilka innych narzędzi do tworzenia tablic Numpy obejmują numpy arrange, numpy zero, numpy one, numpy tile i inne metody.

niezależnie od sposobu tworzenia tablicy Numpy, na wysokim poziomie są to po prostu tablice liczb.

Numpy dostarcza narzędzia do manipulowania tablicami Numpy

Numpy nie tylko dostarcza narzędzia do tworzenia tablic Numpy, ale również dostarcza narzędzia do pracy z tablicami Numpy.

niektóre z najważniejszych narzędzi Numpy to funkcje Numpy do wykonywania obliczeń.

jest cały zestaw funkcji Numpy do robienia takich rzeczy jak:

  • obliczanie sumy tablicy Numpy
  • obliczanie maksimum
  • obliczanie wykładnika liczb w tablicy
  • obliczanie wartości x do pewnej potęgi, dla każdej wartości w tablicy Numpy

… i wiele innych obliczeń.

odchylenie standardowe Numpy jest zasadniczo podobne do tych innych narzędzi Numpy. Jest on po prostu używany do wykonywania obliczeń (odchylenie standardowe) grupy liczb w tablicy Numpy.

szybkie wprowadzenie do odchylenia standardowego Numpy

na bardzo wysokim poziomie odchylenie standardowe jest miarą rozprzestrzeniania się zbioru danych. W szczególności jest to miara odległości punktów danych od średniej danych.

przejrzyjmy pokrótce podstawowe obliczenia.

odchylenie standardowe jest obliczane jako pierwiastek kwadratowy wariancji.

więc jeśli mamy zbiór danych oN liczb, wariancja będzie:

\begin{equation*} \frac{1}{N} \displaystyle\sum_{i=1}^n (x_i - \overline{x})^2 \end{equation*}

a odchylenie standardowe będzie po prostu pierwiastkiem kwadratowym wariancji:

\begin{equation*} \sqrt{\frac{1}{n} \displaystyle\sum_{i=1}^n (x_i - \overline{x})^2} \end{equation*}

gdzie:

x_i = poszczególne wartości w zbiorze danych
N = liczba wartości w zbiorze danych
\overline{x} = średnia wartości x_i

w większości przypadków ręczne obliczanie odchylenia standardowego jest trochę trudne, ponieważ trzeba obliczyć średnią, odchylenia każdego punktu danych od średniej, następnie kwadrat odchyleń itp. Szczerze mówiąc, to trochę nudne.

Jeśli jednak pracujesz w Pythonie, możesz użyć funkcji odchylenia standardowego Numpy, aby wykonać obliczenia za Ciebie.

krótka notka, jeśli jesteś nowy w statystykach

, ponieważ ten post na blogu jest o użyciu numpy.funkcja std (), nie chcę zbytnio zagłębiać się w chwasty o tym, jak obliczenia są wykonywane ręcznie. Ten poradnik jest naprawdę o tym, jak używamy funkcji. Jeśli więc potrzebujesz szybkiego przeglądu tego, czym jest odchylenie standardowe,możesz obejrzeć ten film.

Ok. Po szybkim przejrzeniu, czym jest odchylenie standardowe, przyjrzyjmy się składni dla np.std.

składnia np.std

składnia funkcji odchylenia standardowego Numpy jest dość prosta.

wyjaśnię to w ciągu sekundy, ale najpierw chcę ci powiedzieć jedną krótką notkę o składni Numpy.

krótka Uwaga: dokładna składnia zależy od tego, jak importujesz Numpy

zazwyczaj, gdy piszemy składnię Numpy, używamy aliasu „np”. To powszechna konwencja wśród większości naukowców zajmujących się danymi.

aby ustawić ten alias, musisz zaimportować Numpy w ten sposób:

import numpy as np

Jeśli zaimportujemy Numpy za pomocą tego aliasu, będziemy mogli wywołać funkcję odchylenia standardowego Numpy jakonp.std().

Ok, skoro już o tym mowa, przyjrzyjmy się bliżej składni.

np.składnia std

na wysokim poziomie składnia np.std wygląda mniej więcej tak:

obrazek wyjaśniający składnię standardowego odchylenia Numpy.

jak wspomniałem wcześniej, zakładając, że zaimportowaliśmy Numpy z aliasem „np” wywołujemy funkcję ze składniąnp.std().

następnie wewnątrz nawiasu znajduje się kilka parametrów, które pozwalają kontrolować dokładnie, jak działa funkcja.

przyjrzyjmy się tym parametrom.

parametry numpy.std

jest kilka ważnych parametrów, które powinieneś znać:

  • a
  • axis
  • dtype
  • ddof
  • keepdims
  • out

przyjrzyjmy się każdemu z nich.

a(wymagane)

parametra określa tablicę wartości, nad którą ma być obliczone odchylenie standardowe.

powiedział inaczej, to pozwala na określenie tablicy wejściowej do funkcji.

odpowiednie wejścia obejmują tablice Numpy, ale także obiekty typu „array like”, takie jak listy Pythona.

co ważne, musisz podać dane wejściowe do tego parametru. Wymagane jest wejście.

sam parametr może być niejawny lub jawny. Chodzi mi o to, że możesz bezpośrednio wpisać parametr a=, lub możesz zostawić parametr poza swoją składnią i po prostu wpisać nazwę tablicy wejściowej.

pokażę Ci przykłady tego w przykładzie 1.

axis

parametr axis umożliwia określenie osi, wzdłuż której będzie obliczane odchylenie standardowe.

aby to zrozumieć, naprawdę musisz zrozumieć osie.

tablice Numpy mają osie.

Możesz myśleć o „osi” jak o kierunku wzdłuż tablicy.

w dwuwymiarowej tablicy będą 2 osie: axis-0 i axis-1.

w tablicy 2D oś-0 wskazuje w dół wzdłuż wierszy, a oś-1 wskazuje poziomo wzdłuż kolumn.

wizualnie możesz wizualizować osie tablicy 2D w ten sposób:

wizualny przykład osi tablicy NumPy.

używając parametruaxis, możesz obliczyć odchylenie standardowe w określonym kierunku wzdłuż tablicy.

To jest najlepiej zilustrowane przykładami, więc pokażę Ci przykład w przykładzie 2.

(aby uzyskać pełne wyjaśnienie osi tablic Numpy, zobacz nasz samouczek o nazwie osie Numpy explained.)

dtype

(Opcjonalnie)
parametrdtype umożliwia określenie typu danych, którego chcesz użyć podczas np.std Oblicza odchylenie standardowe.

Jeżeli dane w tablicy wejściowej są liczbami całkowitymi, wtedy domyślnie będzie tofloat64.

w przeciwnym razie, jeżeli dane w tablicy wejściowej są floatami, wtedy będzie to domyślnie taki sam typ float jak tablica wejściowa.

ddof

(Opcjonalnie)
umożliwia to określenie „stopni swobody” dla obliczeń.

aby to zrozumieć, musisz ponownie spojrzeć na równanie 2.

\

w tym równaniu pierwszym wyrażeniem jest\frac{1}{N}.

pamiętaj: n to ilość wartości w tablicy lub zbiorze danych.

ale jeśli myślimy w kategoriach statystycznych, Istnieje różnica między obliczeniem odchylenia standardowego populacji a odchyleniem standardowym próbki.

Jeśli obliczymy odchylenie standardowe populacji, używamy w naszym równaniu terminu \frac{1}{N}.

jednak, gdy obliczamy odchylenie standardowe na próbce danych (próbce Npunktów danych), to musimy zmodyfikować równanie tak, aby wiodącym pojęciem było \frac{1}{n - 1}. W takim przypadku równanie dla odchylenia standardowego próbki staje się:

\begin{equation*} s_{sample} = \sqrt{\frac{1}{n - 1} \displaystyle\sum_{i=1}^n (x_i - \overline{x})^2} \end{equation*}

Jak to zaimplementować z np.choroba weneryczna?

możemy to zrobić z parametremddof, ustawiającddof = 1.

i w rzeczywistości możemy ustawić termin ddof bardziej ogólnie. Gdy użyjemy ddof, zmieni to obliczenie odchylenia standardowego na:

\begin{równanie*} \sqrt{\frac{1}{n - ddof} \displaystyle\sum_{i=1}^n (x_i - \overline{x})^2} \end{equation*}

szczerze mówiąc, jest to trochę techniczne. Jeśli chcesz dowiedzieć się więcej na ten temat, powinieneś obejrzeć ten film w Khan academy na temat stopni swobody i odchylenia standardowego populacji vs próbki.

out

(Opcjonalnie)
parametrout umożliwia określenie alternatywnej tablicy, w której ma być umieszczone wyjście.

powinien mieć taki sam kształt jak oczekiwane wyjście.

keepdims

(Opcjonalnie)
parametrkeepdims może być użyty do „zachowania” oryginalnej liczby wymiarów. Gdy ustawisz keepdims = True, wyjście będzie miało taką samą liczbę wymiarów jak wejście.

pamiętaj: gdy obliczymy odchylenie standardowe, obliczenie „zwali” liczbę wymiarów.

na przykład, jeśli jako wejście wprowadzimy tablicę 2-wymiarową, to domyślnie np.std wyświetli liczbę. Wartość skalarna.

ale jeśli chcemy, aby wyjście było liczbą wewnątrz tablicy 2D (tj. tablicy wyjściowej o takich samych wymiarach jak wejście), to możemy ustawić keepdims = True.

szczerze mówiąc, niektóre z tych parametrów są trochę abstrakcyjne i myślę, że będą miały o wiele więcej sensu z przykładami.

przyjrzyjmy się kilku przykładom.

przykłady użycia odchylenia standardowego Numpy

tutaj omówimy kilka przykładów. Zaczniemy od prostoty, a następnie zwiększymy złożoność.

przykłady:

  • Oblicz odchylenie standardowe tablicy 1-wymiarowej
  • Oblicz odchylenie standardowe tablicy 2-wymiarowej
  • użyj np.std aby obliczyć odchylenia standardowe kolumn
  • użyj np.std aby obliczyć odchylenia standardowe wierszy
  • Zmień stopnie swobody
  • użyj parametru keepdims w np.std

Uruchom ten kod najpierw

zanim uruchomisz dowolny przykładowy kod, musisz zaimportować Numpy.

aby to zrobić, możesz uruchomić następujący kod: 

import numpy as np

to zaimportuje Numpy z aliasem „np„.

przykład 1: Oblicz odchylenie standardowe 1-wymiarowej tablicy

tutaj zaczniemy prosto.

obliczymy odchylenie standardowe 1-wymiarowej tablicy Numpy.

Utwórz tablicę 1D

najpierw utworzymy naszą tablicę 1D: 

array_1d = np.array()
Oblicz standard dev

teraz obliczymy odchylenie standardowe tych liczb.

np.std(array_1d)

OUT: 

30.84369195367723

więc co tu się stało?

np.funkcja std właśnie obliczyła odchylenie standardowe liczb używając równania 2, które widzieliśmy wcześniej. Każda liczba jest jedną zx_i w tym równaniu.

jedna szybka Uwaga

w powyższym przykładzie nie użyliśmy jawnie parametrua=. To dlatego, że np.STD rozumie, że gdy podamy argument do funkcji jak w kodzie np.std(array_1d), dane wejściowe powinny zostać przekazane do parametru a.

Alternatywnie, możesz również jawnie użyća= parametr: 

np.std(a = array_1d)

OUT: 

30.84369195367723

przykład 2: Oblicz odchylenie standardowe tablicy 2-wymiarowej

Ok. Spójrzmy teraz na przykład z dwuwymiarową tablicą.

Utwórz tablicę 2-wymiarową

tutaj stworzymy tablicę 2D, używając np.przypadkowe.funkcja randint.

np.random.seed(22)array_2d = np.random.randint(20, size =(3, 4))

ta tablica ma 3 wiersze i 4 kolumny.

wydrukuj to, żebyśmy mogli to zobaczyć.

print(array_2d)

OUT: 

 ]

jest to po prostu tablica 2D zawierająca 12 losowych liczb całkowitych z zakresu od 0 do 20.

Oblicz odchylenie standardowe za pomocą np.std

ok, obliczmy odchylenie standardowe.

np.std(array_2d)

OUT:

5.007633062524539

tutaj, numpy.std() Oblicza odchylenie standardowe wszystkich 12 liczb całkowitych.

odchylenie standardowe to5.007633062524539.

przykład 3: Oblicz odchylenie standardowe kolumn

teraz obliczymy odchylenie standardowe kolumn.

aby to zrobić, musimy użyćaxis parametr. (Dowiedziałeś się o parametrzeaxis w sekcji o parametrach numpy.std)

w szczególności musimy ustawić axis = 0.

Dlaczego?

jak już wcześniej wspomniałem w wyjaśnieniu parametru axis, tablice Numpy mają osie.

w dwuwymiarowej tablicy oś-0 jest osią skierowaną w dół.

tablica NumPy pokazująca, że axis = 0 jest osią w dół wierszy tablicy.

Kiedy używamy numpy.std zaxis = 0, który obliczy odchylenia standardowe w dół w kierunku osi-0.

rzućmy okiem na przykład, abyś mógł zobaczyć, co mam na myśli.

Utwórz tablicę 2-wymiarową

najpierw utworzymy tablicę 2D, używając np.przypadkowe.funkcja randint.

(jest to ta sama tablica, którą stworzyliśmy w przykładzie 2, więc jeśli już ją utworzyłeś, nie powinieneś jej ponownie tworzyć.) 

np.random.seed(22)array_2d = np.random.randint(20, size =(3, 4))

wydrukuj go, abyśmy mogli go zobaczyć.

print(array_2d)

OUT: 

 ]

jest to po prostu tablica 2D zawierająca liczby całkowite od 0 do 20.

użyj np.std aby obliczyć odchylenie standardowe kolumn

teraz ustawimyaxis = 0 wewnątrz np.std do obliczania odchyleń standardowych kolumn.

np.std(array_2d, axis = 0)

OUT: 

array()
Wyjaśnienie

Co Tu się dzieje?

Kiedy używamy np.std z axis = 0, Numpy obliczy odchylenie standardowe w dół w kierunku osi-0. Pamiętaj, jak wspomniałem powyżej, oś – 0 wskazuje w dół.

ma to wpływ na obliczenie odchylenia standardowego każdej kolumny tablicy Numpy.

obrazek pokazujący, jak użyć odchylenia standardowego Numpy z osią = 0, aby obliczyć odchylenia standardowe kolumny.

teraz zróbmy podobny przykład z odchyleniami standardowymi wiersza.

przykład 4: Użyj np.std aby obliczyć odchylenia standardowe wierszy

teraz użyjemy np.std do obliczania odchyleń standardowych poziomo wzdłuż tablicy numpy 2D.

pamiętaj, co powiedziałem wcześniej: tablice numpy mają osie. Osie są jak Kierunki wzdłuż tablicy Numpy. W tablicy 2D Oś-1 punktuje poziomo, jak to:

obraz, który pokazuje, jak axis-1 wskazuje poziomo wzdłuż tablicy Numpy 2D.

Jeśli więc chcemy obliczyć odchylenia standardowe w poziomie, możemy ustawićaxis = 1. Ma to wpływ na obliczenie odchyleń standardowych wiersza.

rzućmy okiem.

Utwórz tablicę 2-wymiarową

aby uruchomić ten przykład, ponownie będziemy potrzebować tablicy Numpy 2D, więc utworzymy tablicę 2D używając np.przypadkowe.funkcja randint.

(jest to ta sama tablica, którą stworzyliśmy w przykładzie 2, więc jeśli już ją utworzyłeś, nie powinieneś jej ponownie tworzyć.) 

np.random.seed(22)array_2d = np.random.randint(20, size =(3, 4))

wydrukuj go, abyśmy mogli go zobaczyć.

print(array_2d)

OUT: 

 ]

jest to po prostu tablica 2D zawierająca liczby całkowite od 0 do 20.

użyj np.std aby obliczyć odchylenie standardowe wierszy

teraz użyjemy np.std zaxis = 1, aby obliczyć odchylenia standardowe wierszy.

np.std(array_2d, axis = 1)

OUT:

array()
Wyjaśnienie

Jeśli zrozumiałeś przykład 3, ten nowy przykład powinien mieć sens.

Kiedy używamy np.std i ustawaxis = 1, Numpy obliczy odchylenia standardowe poziomo wzdłuż osi-1.

obraz, który pokazuje za pomocą np.std z osią = 1, Aby obliczyć odchylenia standardowe wiersza.

skutecznie, gdy używamy odchylenia standardowego Numpy zaxis = 1, funkcja oblicza odchylenie standardowe wierszy.

przykład 5: Zmień stopnie swobody

teraz zmieńmy stopnie swobody.

w tym przykładzie stworzymy dużą tablicę liczb, pobierzemy próbkę z tej tablicy i obliczymy odchylenie standardowe dla tej próbki.

najpierw stwórzmy nasze tablice.

Utwórz tablicę Numpy

najpierw utworzymy po prostu normalnie rozproszoną tablicę Numpy ze średnią 0 i odchyleniem standardowym 10.

aby to zrobić, użyjemy numpy random normal function. Zauważ, że używamy funkcji numpy random seed, aby ustawić ziarno dla generatora liczb losowych. Aby uzyskać więcej informacji na ten temat, przeczytaj nasz samouczek o np.przypadkowe.nasiona.

np.random.seed(22)population_array = np.random.normal(size = 100, loc = 0, scale = 10)

Ok. Teraz mamy tablicę Numpy ,population_array, która ma 100 elementów, które mają średnią 0 i odchylenie standardowe 10.

Utwórz próbkę

teraz użyjemy numpy random choice, aby pobrać losową próbkę z tablicy Numpy,population_array.

np.random.seed(22)sample_array = np.random.choice(population_array, size = 10)

Ta nowa tablica,sample_array, jest losową próbką 10 elementów zpopulation_array.

użyjemysample_array, gdy obliczymy nasze odchylenie standardowe za pomocą parametruddof.

Oblicz odchylenie standardowe próbki

teraz obliczymy odchylenie standardowe próbki.

w szczególności użyjemy funkcji odchylenia standardowego Numpy z parametrem ddofustawionym na ddof = 1.

np.std(sample_array, ddof = 1)

OUT: 

10.703405562234051
Wyjaśnienie

tutaj obliczyliśmy:

\

i gdy ustawimy ddof = 1, równanie zmienia się na:

\

aby było jasne, podczas obliczania odchylenia standardowego próbki, ustawisz ddof = 1.

szczerze mówiąc, szczegóły dotyczące tego, dlaczego są trochę techniczne (i poza zakresem tego postu), więc aby uzyskać więcej informacji na temat obliczania odchylenia standardowego próbki, polecam obejrzeć ten film.

pamiętaj, że dla niektórych innych instancji możesz ustawić ddof na inne wartości oprócz 1 lub 0. Jeśli w ogóle nie użyjesz parametru ddof, domyślnie będzie to 0.

bez względu na wybraną wartość, funkcja odchylenia standardowego Numpy obliczy odchylenie standardowe za pomocą równania:

\

przykład 6: użyj parametru keepdims w np.std

Ok. Na koniec zrobimy ostatni przykład.

tutaj ustawimykeepdims parametr nakeepdims = True.

Utwórz tablicę 2-wymiarową

najpierw utworzymy tablicę 2D, używając np.przypadkowe.funkcja randint.

(jest to ta sama tablica, którą stworzyliśmy w przykładzie 2, więc jeśli już ją utworzyłeś, nie powinieneś jej ponownie tworzyć.) 

np.random.seed(22)array_2d = np.random.randint(20, size =(3, 4))

wydrukuj to: 

print(array_2d)

OUT: 

 ]
sprawdź wymiary

teraz przyjrzyjmy się wymiarom tej tablicy.

array_2d.ndim

OUT: 

2

jest to tablica 2D, tak jak zamierzaliśmy.

Oblicz odchylenie standardowe i sprawdź wymiary

Ok. Teraz obliczymy odchylenie standardowe i sprawdzimy wymiary wyjścia.

output = np.std(array_2d)

szybko wydrukuj wyjście: 

print(output)

OUT: 

5.007633062524539

więc odchylenie standardowe wynosi 5.007633062524539.

Jakie są wymiary wyjścia?

output.ndim

OUT:

0

wyjście mA 0 wymiarów (jest to wartość skalarna).

Dlaczego?

gdy np.std Oblicza odchylenie standardowe, oblicza statystykę sumaryczną. W tym przypadku funkcja przyjmuje dużą liczbę wartości i zwija je do jednej metryki.

więc wejście było 2-wymiarowe, ale wyjście 0-wymiarowe.

Co jeśli chcemy to zmienić?

Co jeśli chcemy, aby dane wyjściowe miały technicznie 2 wymiary?

możemy to zrobić z parametrem keepdims.

Zachowaj oryginalne wymiary, gdy używamy np.std

tutaj ustawimykeepdims = True, aby wyjście miało takie same wymiary jak wejście.

output_2d = np.std(array_2d, keepdims = True)

teraz spójrzmy na wyjście: 

print(output_2d)

OUT: 

]

zauważ, że wyjście, odchylenie standardowe, nadal wynosi 5.00763306. Ale wynik jest zamknięty w podwójnych nawiasach.

sprawdźmy output_2d I przyjrzyjmy się bliżej.

type(output_2d)

OUT: 

numpy.ndarray

więc,output_2d jest tablicą Numpy, a nie wartością skalarną.

Sprawdźmy wymiary:

output_2d.ndim

OUT:

2

ta tablica Numpy, output_2d, ma 2 wymiary.

jest to ta sama liczba wymiarów co wejście.

Co się stało?

Kiedy ustawimykeepdims = True, to spowodowało np.funkcja std do produkcji wyjścia o tej samej liczbie wymiarów co wejście. Mimo że na wyjściu nie ma żadnych wierszy ani kolumn, wyjście output_2d ma 2 wymiary.

tak więc, jeśli kiedykolwiek potrzebujesz, aby twoje wyjście miało taką samą liczbę wymiarów jak wejście, możesz ustawić keepdims = True.

(działa to również, gdy używasz axis parametr … spróbuj!)

Często zadawane pytania dotyczące odchylenia standardowego Numpy

teraz, gdy nauczyłeś się o odchyleniu standardowym Numpy i widziałeś kilka przykładów, przejrzyjmy niektóre często zadawane pytania dotyczące np.std.

Często zadawane pytania:

  • dlaczego numpy STD() daje inny wynik niż matlab STD() lub inny język programowania?

Pytanie 1: Dlaczego numpy std() daje inny wynik niż matlab STD() lub inny język programowania?

prosty powód jest taki, że matlab oblicza standardowe dev zgodnie z poniższym:

\

(wiele innych narzędzi używa tego samego równania.)

jednak Numpy oblicza się następująco:

\

zauważ subtelną różnicę między \frac{1}{n - 1} a \frac{1}{n}.

aby to naprawić, możesz użyćddof parametr w Numpy.

Jeśli używasz np.std z parametremddof ustawionym naddof = 1, powinieneś otrzymać taką samą odpowiedź jak matlab.

Zostaw swoje inne pytania w komentarzach poniżej

masz inne pytania dotyczące funkcji odchylenia standardowego Numpy?

Zostaw swoje pytanie w komentarzach poniżej.

Dołącz do naszego kursu, aby dowiedzieć się więcej o Numpy

przykłady, które widziałeś w tym samouczku, powinny wystarczyć, aby zacząć, ale jeśli poważnie myślisz o nauce Numpy, powinieneś zapisać się na nasz kurs premium o nazwie Numpy Mastery.

o Numpy można się jeszcze wiele nauczyć, a opanowanie Numpy nauczy Cię wszystkiego, w tym:

  • Jak utworzyć tablice Numpy
  • Jak korzystać z funkcji losowych Numpy
  • co robi funkcja „numpy random seed”
  • Jak zmienić kształt, podzielić i połączyć tablice Numpy
  • i więcej …

Co więcej, pomoże Ci całkowicie opanować składnię w ciągu kilku tygodni. Dowiesz się, jak stać się „biegłym” w pisaniu kodu Numpy.

Dowiedz się więcej tutaj:

dowiedz się więcej o opanowaniu Numpy