Python Numpy std（标准偏差）函数异常行为

从统计学角度来看，当所有值相等时，标准偏差应为0。 对于

arr1

而言，结果与预期一致：

0

，但对于

arr2

而言，结果是

1.387777807814457E-17

-非常小，但不是

0

，这导致出现问题，例如

zscore

这是正常的行为还是奇怪的错误

import numpy as np

arr1 = [20.0] * 3
#[20.0, 20.0, 20.0]

arr2 = [-0.087] * 3
#[-0.087, -0.087, -0.087]

np.std(arr1) #0.0
np.std(arr2) #1.3877787807814457e-17

---

我试过了，得到了同样的结果。 上面说这是Numpy的一个bug。当你使用小数字时，似乎会发生这种情况。

---

我试了一下，得到了同样的结果。 上面说这是Numpy的一个bug。当你使用小数字时，似乎会发生这种情况。 各州：

标准偏差是平均值的平方根 与平均值的平方偏差，即

std=sqrt（平均值（abs（x-x.mean（））**2））

平均平方偏差通常计算为

x.sum（）/N

， 其中

N=len（x）

。但是，如果指定了ddof，则使用除数

N-ddof

。在标准统计实践中，

ddof=1

提供无穷大方差的无偏估计 人口

ddof=0

提供了 正态分布变量的方差。标准差 此函数中计算的是估计值的平方根 方差，因此即使使用

ddof=1

，它也不是一个无偏估计值 标准偏差本身

请注意，对于复数，std取前面的绝对值 平方，使结果始终为实且非负

对于浮点输入，std使用相同的精度计算 输入已经完成。根据输入数据，这可能会导致结果 不准确，特别是对于float32（参见下面的示例）。 使用dtype关键字指定更高精度的累加器可以 缓解这个问题

a=np.zero（（2512*512），dtype=np.float32）
a[0，：]=1.0
a[1，：]=0.1 np.std（a）
>>>0.45000005 

但是对于

float64

：

a=np.zero（（2512*512），dtype=np.float64）
a[0，：]=1.0
a[1，：]=0.1
np.std（a）
>>>0.45 

各国：

标准偏差是平均值的平方根 与平均值的平方偏差，即

std=sqrt（平均值（abs（x-x.mean（））**2））

平均平方偏差通常计算为

x.sum（）/N

， 其中

N=len（x）

。但是，如果指定了ddof，则使用除数

N-ddof

。在标准统计实践中，

ddof=1

提供无穷大方差的无偏估计 人口

ddof=0

提供了 正态分布变量的方差。标准差 此函数中计算的是估计值的平方根 方差，因此即使使用

ddof=1

，它也不是一个无偏估计值 标准偏差本身

请注意，对于复数，std取前面的绝对值 平方，使结果始终为实且非负

对于浮点输入，std使用相同的精度计算 输入已经完成。根据输入数据，这可能会导致结果 不准确，特别是对于float32（参见下面的示例）。 使用dtype关键字指定更高精度的累加器可以 缓解这个问题

a=np.zero（（2512*512），dtype=np.float32）
a[0，：]=1.0
a[1，：]=0.1 np.std（a）
>>>0.45000005 

但是对于

float64

：

a=np.zero（（2512*512），dtype=np.float64）
a[0，：]=1.0
a[1，：]=0.1
np.std（a）
>>>0.45 

---

这是一个浮点错误。当在std函数中进行操作时，float32值不够精确，无法表示理论值。正如你所见，std是一个非常小的数字。参见np.mean（arr2），它是-0.0870000000000001，我记不起这个例子，但对于大的数字也会出现这个问题。这是一个浮点错误。当在std函数中进行操作时，float32值不够精确，无法表示理论值。正如你所见，std是一个非常小的数字。参见np.mean（arr2）它是-0.0870000000000001，我记不起这个例子，但对于大的数字也会出现问题。首先应该检查“相等”（如果为真，返回0.0）吗？我认为在这种情况下可以避免舍入问题。@QuantChristo是的，它似乎没有检查相等性。首先应该检查“相等”（如果为真，返回0.0）吗？我认为在这种情况下，它可以避免四舍五入的问题。@QuantChristo是的，它似乎没有检查平等性。