Стандартное отклонение – это мера, на которую элементы набора отклоняются или расходятся от среднего значения.
В Numpy вы можете найти стандартное отклонение массива Numpy, используя функцию numpy.std().
Мы рассмотрим примеры, охватывающие различные скрипты, чтобы понять использование функции numpy std().
Пример 1
В этом примере мы возьмем массив Numpy 1D с тремя элементами и найдем стандартное отклонение массива.
import numpy as np #initialize array A = np.array([2, 1, 6]) #compute standard deviation output = np.std(A) print(output)
Вывод:
2.160246899469287
Математическое доказательство:
Mean = (2 + 1 + 6)/3
= 3
Standard Deviation = sqrt( ((2-3)^2 + (1-3)^2 + (6-3)^2)/3 )
= sqrt( (1+4+9)/3 )
= sqrt(14/3)
= sqrt(4.666666666666667)
= 2.160246899469287
Пример 2: 2D-массив
В этом примере мы возьмем 2D-массив размером 2Ã – 2 и найдем стандартное отклонение массива.
import numpy as np #initialize array A = np.array([[2, 3], [6, 5]]) #compute standard deviation output = np.std(A) print(output)
Вывод:
1.5811388300841898
Математическое доказательство:
Mean = (2 + 3 + 6 + 5)/4
= 4
Standard Deviation = sqrt( ((2-4)^2 + (3-4)^2 + (6-4)^2 + (5-4)^2)/4 )
= sqrt( (4+1+4+1)/4 )
= sqrt(10/4)
= sqrt(2.5)
= 1.5811388300841898
Пример 3: вдоль оси
Вы также можете найти стандартное отклонение массива Numpy по оси.
В этом примере мы возьмем Numpy 2D-массив размером 2Ã – 2 и найдем стандартное отклонение массива вдоль оси.
import numpy as np #initialize array A = np.array([[2, 3], [6, 5]]) #compute standard deviation output = np.std(A, axis=0) print(output)
Вывод:
[2. 1.]
Математическое доказательство:
1st element
======================
mean = (2+6)/2 = 4
standard deviation = sqrt( ( (2-4)^2 + (6-4)^2 )/2 )
= sqrt( 4 )
= 2.0
2nd element
======================
mean = (3+5)/2 = 4
standard deviation = sqrt( ( (3-4)^2 + (5-4)^2 )/2 )
= sqrt( 1 )
= 1.0