Python 3.x NumPy：如何使用np.var和手工计算二维数组中每一行的方差（即，不使用np.var；显式计算每一项）？

我正在使用Python从大文件导入数据。有三列对应于x、y、z数据。每行表示收集数据的时间。例如：

importedData = [[1, 2, 3],  <--This row: x, y, and z data at time 0.
                [4, 5, 6],
                [7, 8, 9]];

我试过各种各样的东西。例如，将函数放入循环中，我第一次尝试仅获取行平均值：

for row in importedData:
    mean_test = np.mean(importedData,axis=1)
print(mean_test)

这给了我一个我无法理解的错误：

---

如果有人能为我指出正确的方向，我将不胜感激。

好吧，你可以这样做，让事情更加明确：

将numpy导入为np
导入数据=np.arange（1,10）.重塑（3,3）
#获取每行的平均值
means=[导入数据中的行的row.means（）]
#计算平方误差
平方误差=[（行平均值）**2行，zip平均值（导入数据，平均值）]
#计算“每行平方误差的平均值”（又名方差）
方差=[row.mean（）表示平方误差中的行]
#健康检查
打印（差异）
打印（导入数据.var（1））
# [0.6666666666666666, 0.6666666666666666, 0.6666666666666666]
# [0.66666667 0.66666667 0.66666667]

换一种方式：为什么不让你的同事做一系列已知方差（可能是平均值）的测试（例如，一堆行），并证明你的答案是正确的？一些极端情况（甚至可能包括无穷大和NaN），以及一些使用更常见数据的测试应该可以解决这个问题。想想看：

np.var

已经被成千上万的人成功地使用了。

axis

参数可能是一个问题（

axis=0

或

axis=1

），但是输出的维度（假设您的输入不是方形数组）应该已经验证了轴的选择。@00，感谢您的关注。是的，我当然同意，没有理由怀疑np.var是否有效。我通常会向同事指出这一点。不过，手工计算还有另一个好处。第二个术语（我的问题中“2”部分下面的第三行）与第一个术语相比，应该显示某些行为，因此检查一下它会很有用。对不起，这里的第二个和第一个术语是什么？你指的是一行代码；在数学意义上，这对我来说并不是一个真正的“术语”。为了实现这一点，有一种更奇特的方法：将数组转换为熊猫数据帧，计算方差和任何其他术语，跨越列，并将结果存储在新的列中。您甚至可以使用相关的时间戳为数据帧行编制索引。哇，谢谢。我花了一段时间才弄明白你在这里干了什么。很有教育意义。我很感激知道如何使用“row”。很高兴我能帮上忙：）我想我在这里做的最“神奇”的事情是

（row mean）**2

部分，因为

row

实际上是一个numpy数组，而

mean

只是一个浮点数。

平均值

分布在

行

上，然后

**2

对结果进行元素化处理。这种行为是由

np.ndarray

类型的实现方式引起的，这种行为称为广播。我建议你读一读它，因为它是难以置信的强大！很高兴看到您尝试直接使用

numpy

，这比使用纯Python做事情快得多：）

for row in importedData:
    mean_test = np.mean(importedData,axis=1)
print(mean_test)

Traceback (most recent call last):
  File "<string>", line 13, in <module>
TypeError: list indices must be integers or slices, not tuple

 n = len(importedData[0,:])         # Trying to get the length of each row.
 mean = mean(importedData[0,:])     # Likewise trying to get the mean of each row.
 deviations = [(x - mean) ** 2 for x in importedData]
 variance = sum(deviations) / n