当前位置：极客教程 > Python 实例 > Python 程序 > Python计算标准差的程序

Python计算标准差的程序

Python计算标准差的程序

在本文中，我们将学习如何在数据集上实现Python程序来计算标准差。

考虑一组在任意坐标轴上绘制的值。 这组值的标准差，称为 ** 总体** 的标准差，是它们之间看到的变异。如果标准偏差低，则值与均值接近。但如果标准偏差高，则值会远离均值散布。

它用数据集的方差的平方根表示。有两种类型的标准差−

总体标准差 是从总体的每个数据值计算出来的。因此，它是一个固定值。数学公式如下 −

SD:=:∑(Xi:−:Xm)2n\mathrm{SD:=:\sqrt{\frac{\sum(X_i:-:X_m)^2}{n}}}

其中，

  • **X m ** 是数据集的平均值。

  • **X i ** 是数据集的元素。

  • n 是数据集中的元素数。

然而， 样本标准差 是仅在一些总体中选择的一些数据值计算出的统计数据，因此该值取决于所选择的样本。数学公式定义如下−

SD:=:∑(Xi:−:Xm)2n:−:1\mathrm{SD:=:\sqrt{\frac{\sum(X_i:-:X_m)^2}{n:-:1}}}

其中，

  • **X m ** 是数据集的平均值。

  • **X i ** 是数据集的元素。

  • n 是数据集中的元素数。

输入输出方案

现在让我们来看看各种数据集的一些输入输出方案−

假设数据集仅包含正整数−

Input: [2, 3, 4, 1, 2, 5]
Result: Population Standard Deviation: 1.3437096247164249
Sample Standard Deviation: 0.8975274678557505
Python

假设数据集仅包含负整数−

Input: [-2, -3, -4, -1, -2, -5]
Result: Population Standard Deviation: 1.3437096247164249
Sample Standard Deviation: 0.8975274678557505
Python

假设数据集仅包含正整数和负整数−

Input: [-2, -3, -4, 1, 2, 5]
Result: Population Standard Deviation: 3.131382371342656
Sample Standard Deviation: 2.967415635794143
Python

使用数学公式

我们已经在同一篇文章中看到了标准差的公式；现在让我们看看用数学公式在各个数据集上实现Python程序的方法。

例子

在以下例子中，我们正在导入 ** math** 库，并通过将其方差应用于内置方法 sqrt（） 来计算数据集的标准差。

import math

#声明数据集列表
dataset = [2, 3, 4, 1, 2, 5]

#求数据集的算术平均数
sm=0
for i in range(len(dataset)):
   sm+=dataset[i]
   mean = sm/len(dataset)

#求数据集的总体标准差
deviation_sum = 0
for i in range(len(dataset)):
   deviation_sum+=(dataset[i]- mean)**2
   psd = math.sqrt((deviation_sum)/len(dataset))

#求数据集的样本标准差
ssd = math.sqrt((deviation_sum)/len(dataset) - 1)

#显示输出
print("数据集的总体标准差为", psd)
print("数据集的样本标准差为", ssd)
Python

输出结果

得到的标准差输出结果如下 −

数据集的总体标准差为 1.3437096247164249
数据集的样本标准差为 0.8975274678557505
Python

使用numpy模块中的std()函数

在这种方法中，我们导入 numpy 模块，并仅使用 numpy.std() 函数对一个 numpy 数组的元素进行计算，从而仅计算总体标准差。

示例

下面的Python程序用于计算numpy数组元素的标准差 −

import numpy as np

#声明数据集列表
dataset = np.array([2, 3, 4, 1, 2, 5])

#计算数据集的总体标准差
sd = np.(dataset)

#显示输出
print("数据集的总体标准差为", sd)
Python

输出结果

标准差将显示为以下输出 −

数据集的总体标准差为 1.3437096247164249
Python

在statistics模块中使用stdev()和pstdev()函数

Python中的 statistics 模块提供了称为 stdev() 和 pstdev() 的函数，用于计算样本数据集的标准差。Python中的 stdev() 函数仅计算样本标准差，而 pstdev() 函数计算总体标准差。

这两个函数的参数和返回类型相同。

示例1: 使用stdev()函数

展示如何使用 stdev() 函数计算数据集的样本标准差的 Python 程序如下–

import statistics as st

#声明数据集列表
dataset = [2, 3, 4, 1, 2, 5]

#计算数据集的标准差
sd = st.stdev(dataset)

#显示输出
print("数据集的标准差为", sd)
Python

输出

得到的数据集样本标准差如下–

数据集的标准差为 1.4719601443879744
Python

例 2: 使用 pstdev() 函数

展示如何使用 pstdev() 函数计算数据集的总体标准差的 Python 程序如下–

import statistics as st

#声明数据集列表
dataset = [2, 3, 4, 1, 2, 5]

#计算数据集的标准差
sd = st.pstdev(dataset)

#显示输出
print("数据集的标准差为", sd)
Python

输出

得到的数据集总体标准差如下–

数据集的标准差为 1.3437096247164249
Python

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

登录

找回密码？

注册