mars.tensor.std#

mars.tensor.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=None, combine_size=None)[来源]#

计算指定轴上的标准偏差。

返回标准差，分布的扩散度量， tensor 元素的标准差默认为扁平化 tensor 计算，否则在指定的轴上计算。

Parameters

  • a (array_like) – 计算这些值的标准差。

  • axis (None 或 int 或 tuple 的 ints, 可选) –

    计算标准差的轴。默认情况下，计算扁平化张量的标准差。

    如果这是一个整数的元组，则将在多个轴上执行标准差，而不是像以前那样在单个轴或所有轴上执行。

  • dtype (dtype, 可选) – 用于计算标准差的类型。对于整型张量，默认值为 float64，对于浮点类型张量，默认为与数组类型相同。

  • out (张量, 可选) – 替代输出张量，用于放置结果。它必须具有与预期输出相同的形状，但类型（计算值的类型）将在必要时进行转换。

  • ddof (int, 可选) – 表示自由度的增量。计算中使用的除数是 N - ddof，其中 N 代表元素的数量。默认情况下 ddof 为零。

  • keepdims (bool, 可选) –

    如果设置为 True，则被缩减的轴在结果中保留为大小为1的维度。使用此选项，结果将正确地与输入张量广播。

    如果传递默认值，则 keepdims 不会被传递到 Tensor 子类的 std 方法中，但任何非默认值将会被传递。如果子类的 sum 方法未实现 keepdims，将引发任何异常。

  • combine_size (int, 可选) – 拼接的块数。

Returns

standard_deviation – 如果 out 是 None，返回一个包含标准差的新张量，否则返回对输出数组的引用。

Return type

张量，请参见上面的 dtype 参数。

另请参阅

var, mean, nanmean, nanstd, nanvar

备注

标准差是离均值的平方偏差的平均值的平方根，即，std = sqrt(mean(abs(x - x.mean())**2))。

平均平方偏差通常计算为 x.sum() / N，其中 N = len(x)。然而，如果指定了 ddof， 则使用除数 N - ddof 代替。在标准统计 实践中，ddof=1 提供了无限总体方差的无偏估计量。 ddof=0 提供了正态分布变量方差的最大似然 估计。该函数计算的标准偏差是 估计方差的平方根，因此即使 ddof=1，它也不会是 标准偏差本身的无偏估计。

请注意，对于复数，std 在平方之前取绝对值，因此结果始终是实数且非负。

对于浮点数输入，std 是使用输入具有的相同精度计算的。根据输入数据的不同，这可能导致结果不准确，特别是对于 float32（见下面的例子）。使用 dtype 关键字指定更高精度的累加器可以缓解这个问题。

示例

>>> import mars.tensor as mt

>>> a = mt.array([[1, 2], [3, 4]])
>>> mt.std(a).execute()
1.1180339887498949
>>> mt.std(a, axis=0).execute()
array([ 1.,  1.])
>>> mt.std(a, axis=1).execute()
array([ 0.5,  0.5])

在单精度下，std()可能不准确：

>>> a = mt.zeros((2, 512*512), dtype=mt.float32)
>>> a[0, :] = 1.0
>>> a[1, :] = 0.1
>>> mt.std(a).execute()
0.45000005

在float64中计算标准差更加准确：

>>> mt.std(a, dtype=mt.float64).execute()
0.44999999925494177