pandas.DataFrame.std

DataFrame.std(axis=None, skipna=True, level=None, ddof=1, numeric_only=None, **kwargs)[source]

Возвращает выборочное стандартное отклонение по указанной оси.

По умолчанию нормируется на N-1. Это можно изменить, используя аргумент ddof.

Параметры

axis:{индекс (0), колонки (1)}

Для Series этот параметр не используется и по умолчанию равен 0.

skipna:bool, по умолчанию True

Исключить значения NA/null. Если вся строка/колонка содержит NA, результат будет NA.

level:int или имя уровня, по умолчанию None

Если ось является многоуровневым индексом (иерархическим), считать по определенному уровню, сводя к Series.

Устаревшее с версии 1.3.0: Ключевое слово level устарело. Используйте groupby вместо него.

ddof:int, по умолчанию 1

Delta Degrees of Freedom. Делитель, используемый в расчётах, равен N - ddof, где N представляет количество элементов.

numeric_only:bool, по умолчанию None

Включить только числовые (float, int, boolean) колонки. Если None, будет попытка использовать все, затем только числовые данные. Не реализовано для Series.

Устаревшее с версии 1.5.0: Указание numeric_only=None устарело. Значение по умолчанию будет False в будущей версии pandas.

Возвращает

Series или DataFrame (если указан level)

Примечания

Для получения такого же поведения, как у numpy.std, используйте ddof=0 (вместо значения по умолчанию ddof=1)

Примеры

>>> df = pd.DataFrame({'person_id': [0, 1, 2, 3],
...                   'age': [21, 25, 62, 43],
...                   'height': [1.61, 1.87, 1.49, 2.01]}
...                  ).set_index('person_id')
>>> df
           age  height
person_id
0           21    1.61
1           25    1.87
2           62    1.49
3           43    2.01

Стандартное отклонение по колонкам можно найти следующим образом:

>>> df.std()
age       18.786076
height     0.237417

В качестве альтернативы можно установить ddof=0, чтобы нормализовать по N вместо N-1:

>>> df.std(ddof=0)
age       16.269219
height     0.205609