计算给定 NumPy 数组的均值、标准差和方差

在数据分析中，计算数组的均值、标准差和方差是非常常见的操作。在 NumPy 中，我们可以使用 numpy.mean()、numpy.std() 和 numpy.var() 方法来分别计算数组的均值、标准差和方差。

numpy.mean() 方法

numpy.mean() 方法用于计算数组的均值。它的语法如下：

numpy.mean(arr, axis=None, dtype=None, out=None, keepdims=<no value>)

参数说明：

• arr：要计算均值的数组。
• axis：指定计算均值的轴。默认为 None，计算所有元素的均值。如果指定轴，则沿该轴计算均值。例如，axis = 0 表示对每列求均值，axis = 1 表示对每行求均值。
• dtype：指定计算结果的数据类型。
• out：可选的输出数组。
• keepdims：如果为 True，则结果的维度与输入数组的维度相同。

示例代码：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(np.mean(arr)) # 输出: 3.0

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(arr)) # 输出: 3.5

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(arr, axis=0)) # 输出: [2.5 3.5 4.5]

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(arr, axis=1)) # 输出: [2. 5.]

numpy.std() 方法

numpy.std() 方法用于计算数组的标准差。它的语法如下：

numpy.std(arr, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)

参数说明：

• arr：要计算标准差的数组。
• axis：指定计算标准差的轴。默认为 None，计算所有元素的标准差。如果指定轴，则沿该轴计算标准差。例如，axis = 0 表示对每列求标准差，axis = 1 表示对每行求标准差。
• dtype：指定计算结果的数据类型。
• out：可选的输出数组。
• ddof：自由度调整。默认为 0。
• keepdims：如果为 True，则结果的维度与输入数组的维度相同。

示例代码：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(np.std(arr)) # 输出: 1.41421356

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.std(arr)) # 输出: 1.70782513

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.std(arr, axis=0)) # 输出: [1.5 1.5 1.5]

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.std(arr, axis=1)) # 输出: [0.81649658 0.81649658]

numpy.var() 方法

numpy.var() 方法用于计算数组的方差。它的语法如下：

numpy.var(arr, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)

参数说明：

• arr：要计算方差的数组。
• axis：指定计算方差的轴。默认为 None，计算所有元素的方差。如果指定轴，则沿该轴计算方差。例如，axis = 0 表示对每列求方差，axis = 1 表示对每行求方差。
• dtype：指定计算结果的数据类型。
• out：可选的输出数组。
• ddof：自由度调整。默认为 0。
• keepdims：如果为 True，则结果的维度与输入数组的维度相同。

示例代码：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(np.var(arr)) # 输出: 2.0

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.var(arr)) # 输出: 2.91666667

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.var(arr, axis=0)) # 输出: [2.25 2.25 2.25]

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.var(arr, axis=1)) # 输出: [0.66666667 0.66666667]