numpy.ma.MaskedArray.var

метод

MaskedArray.var(axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>) [source]

Вычисление дисперсии по указанной оси.

Возвращает дисперсию элементов массива, мера разброса распределения. Дисперсия вычисляется для уплощенного массива по умолчанию, иначе по указанной оси.

Параметры:

a : array_like Массив, содержащий числа, дисперсия которых требуется. Если a не является массивом, производится попытка преобразования. axis : None or int or tuple of ints, optional Ось или оси, по которым вычисляется дисперсия. По умолчанию вычисляется дисперсия уплощенного массива. Введено в версии 1.7.0. Если это кортеж целых чисел, дисперсия вычисляется по нескольким осям вместо одной оси или всех осей, как раньше. dtype : data-type, optional Тип, используемый при вычислении дисперсии. Для массивов целого типа по умолчанию используется float32; для массивов с плавающей точкой – тот же тип, что и в массиве. out : ndarray, optional Альтернативный выходной массив, в который помещается результат. Он должен иметь такую же форму, как ожидаемый результат, но тип преобразуется при необходимости. ddof : int, optional “Степень свободы дельта”: делитель, используемый при вычислении, равен N - ddof, где N представляет количество элементов. По умолчанию ddof равно нулю. keepdims : bool, optional Если установлено в True, оси, по которым выполнено сокращение, остаются в результате как измерения с размером один. С этим вариантом результат будет правильно транслироваться относительно входного массива. Если передано значение по умолчанию, то keepdims не будет передано методу var подклассов ndarray, однако любое нестандартное значение будет. Если метод подкласса не реализует keepdims , будут подняты исключения.

Возвращает:

variance : ndarray, see dtype parameter above Если out=None, возвращает новый массив, содержащий дисперсию; в противном случае возвращает ссылку на выходной массив.

См. также

std, mean, nanmean, nanstd, nanvar

numpy.doc.ufuncs

Раздел «Выходные аргументы»

Примечания

Дисперсия представляет собой среднее значение квадратов отклонений от среднего, т.е., var = mean(abs(x - x.mean())**2).

Среднее вычисляется как x.sum() / N, где N = len(x). Однако, если задан ddof, используется делитель N - ddof вместо него. В стандартной статистической практике ddof=1 обеспечивает несмещенную оценку дисперсии гипотетической бесконечной генеральной совокупности. ddof=0 обеспечивает оценку максимального правдоподобия дисперсии для нормально распределенных переменных.

Обратите внимание, что для комплексных чисел перед возведением в квадрат берется абсолютное значение, так что результат всегда вещественный и неотрицательный.

Для входных данных с плавающей точкой дисперсия вычисляется с той же точностью, что и входные данные. В зависимости от входных данных это может привести к неточным результатам, особенно для float32 (см. пример ниже). Использование накопителя большей точности с помощью ключевого слова dtype может решить эту проблему.

Примеры

>>> a = np.array([[1, 2], [3, 4]])
>>> np.var(a)
1.25
>>> np.var(a, axis=0)
array([ 1.,  1.])
>>> np.var(a, axis=1)
array([ 0.25,  0.25])

В одинарной точности var() может быть неточным:

>>> a = np.zeros((2, 512*512), dtype=np.float32)
>>> a[0, :] = 1.0
>>> a[1, :] = 0.1
>>> np.var(a)
0.20250003

Вычисление дисперсии в формате float64 более точно:

>>> np.var(a, dtype=np.float64)
0.20249999932944759
>>> ((1-0.55)**2 + (0.1-0.55)**2)/2
0.2025