pandas中std和numpy的np.std区别及说明
作者：AML杰
这篇文章主要介绍了pandas中std和numpy的np.std区别及说明,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
pandas中std和numpy的std区别
原理
计算标准差时，需要注意numpy中的std和pandas的std在计算标准差时，默认的计算结果会存在不一致的问题。
原因在于默认情况下，
numpy计算的为总体标准偏差，ddof=0；一般在拥有所有数据的情况下，计算所有数据的标准差时使用，即最终除以n，而非n-1；pandas计算的为样本标准偏差，ddof=1；一般在只有部分数据，但需要求得总体的标准差时使用，当只有部分数据时，根据统计规律，除以n时计算的标准差往往偏小，因此需要除以n-1，即n-ddof；
实际使用时需要注意，并且根据数据情况选择合适的函数，在数据量较大时，推荐使用numpy进行计算。
速度区别
速度由快到慢依次：
s1 = pd.Series([1,2,3,4,5]) #速度由快至慢 np.std(s1.values) > s1.std(ddof=0) > np.std(s1)
使用numpy和pandas计算平均值、方差、标准差
numpy和pandas都可以实现计算平均值、方差、标准差。
但numpy默认的是总体方差，pandas默认的样本方差，即分母是n-1，是总体的无偏估计。
numpy的语法
# numpy计算方法 import numpy as np x = [1,2,3,4,5] # mean mean = np.mean(x) # variation var = np.var(x) # stander var std = np.std(x,ddof=1) #ddof=1 表示样本方差分母是n-1，无偏估计 doof=0 表示总体标准差
pandas的语法
#pandas计算方法
#axis = 0表示跨行，axis=1表示跨列
import pandas as pd
data_dic = {'c1' : [1,2,3],
'c2': [1,3,5]}
df = pd.DataFrame(data_dic)
#c1列的meam
mean = df['c1'].mean()
#or
mean = df.iloc[:,0].mean()
#c1列的var
var = df['c1'].var() #计算的无偏样本方差
var = df['c1'].values.var() #计算的是有偏的总体方差
#c1列的std
std = df['c1'].std()
std = df['c1'].values.std() 总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。