Python Numpy.var（）和Pandas.var（）的不同值

我正在学习数据集中的标准Scaler。我注意到一个奇怪的行为，我认为这可能是我代码中的语法或逻辑错误，但有人能纠正我吗

我们知道，当我们使用

StandardScaler

时，我们的

std

为1，而

mean

为0，即

Var=Stdev^2

现在，当我在代码中使用

sklearn.preprocessing.StandardScaler

时，使用

fit\u transform

后，方差为

1

。但当我更改原始数据帧中的值时，两行的值都是1.5。我可以知道为什么是它以及如何使用

StandardScaler

使其成为1吗。谢谢

这是我的数据集

    Country GDP Area    Continent
0   India   2.79    3.287   Asia
1   USA    20.54    9.840   North America
2   China   13.61   9.590   Asia 

这是我的密码

来自sklearn.preprocessing导入StandardScaler的

ss=StandardScaler（）
var=ss.fit_变换（catDf.iloc[：，1:-1]）.var（）#此方差等于1
catDf.iloc[：，1:-1]=ss.fit_变换（catDf.iloc[：，1:-1]）
打印（“Numpy数组中的差异”，var）#约1
打印（“数据帧中的差异”，catDf.var（））#1.5，用于两个数字列

---

希望你明白我想说的。

问题是由于使用了不同的自由度。scikit学习文档声明他们使用有偏差的估计器或样本方差：

我们对标准偏差使用有偏估计，相当于numpy.std（x，ddof=0）。请注意，ddof的选择不太可能影响模型性能

另一方面，

DataFrame.var

默认为无偏估计器

返回请求轴上的无偏方差。默认情况下，标准化为N-1。这可以使用ddof参数进行更改

只有3个点，除以3或2的差值将导致1.5倍的差值（与您看到的完全相同）。对于

DataFrame.var（）

print(catDf.var(ddof=0))
#GDP     1.0
#Area    1.0