Функция nanstd

Функция nanstd вычисляет стандартное отклонение вдоль указанной оси, игнорируя значения NaN (не число). Она полезна при работе с данными, содержащими пропуски, так как позволяет получить корректную статистическую оценку без необходимости заполнять пропущенные значения.

Синтаксис

np.nanstd(a, axis=None, dtype=None, out=None, ddof=0, keepdims=False, *, where=True)

Основные параметры:

a - входной массив или объект, который можно преобразовать в массив;
axis - ось, вдоль которой вычисляется отклонение (по умолчанию None - вычисляется по всему массиву);
ddof - поправка степени свободы (по умолчанию 0 - стандартное отклонение по генеральной совокупности);
keepdims - сохранять ли размерность (по умолчанию False);
where - условие для включения элементов в расчёт.

Пример с одномерным массивом

Давайте вычислим стандартное отклонение для одномерного массива с пропущенными значениями:

import numpy as np

arr = np.array([1.0, 2.0, np.nan, 4.0, 5.0])
res = np.nanstd(arr)
print(res)

Результат выполнения кода:

1.5811388300841898

При этом стандартное отклонение, вычисленное с помощью обычной функции std, вернуло бы nan, так как в массиве присутствует пропуск.

Пример с двумерным массивом

Рассмотрим вычисление стандартного отклонения по строкам и столбцам двумерного массива с пропусками:

import numpy as np

arr = np.array([
	[1.0, 2.0, np.nan],
	[4.0, 5.0, 6.0],
	[np.nan, 8.0, 9.0]
])

# По всему массиву
res_all = np.nanstd(arr)
print(res_all)

# По строкам (axis=1)
res_rows = np.nanstd(arr, axis=1)
print(res_rows)

# По столбцам (axis=0)
res_cols = np.nanstd(arr, axis=0)
print(res_cols)

Результат выполнения кода:

2.9154759474226504
[0.5		0.81649658 0.5	   ]
[1.5		2.44948974 1.5	   ]

Пример с параметром ddof

Параметр ddof позволяет управлять степенью свободы. При ddof=1 вычисляется несмещённое выборочное стандартное отклонение:

import numpy as np

arr = np.array([1.0, 2.0, np.nan, 4.0, 5.0])

# Генеральное стандартное отклонение (ddof=0)
res_pop = np.nanstd(arr, ddof=0)
print(res_pop)

# Выборочное стандартное отклонение (ddof=1)
res_sample = np.nanstd(arr, ddof=1)
print(res_sample)

Результат выполнения кода:

1.5811388300841898
1.8257418583505538

Пример с параметром keepdims

Параметр keepdims сохраняет размерность результата, что полезно при работе с широковещанием:

import numpy as np

arr = np.array([
	[1.0, 2.0, np.nan],
	[4.0, 5.0, 6.0]
])

# Без сохранения размерности
res_no_keep = np.nanstd(arr, axis=1)
print(res_no_keep.shape)

# С сохранением размерности
res_keep = np.nanstd(arr, axis=1, keepdims=True)
print(res_keep.shape)
print(res_keep)

Результат выполнения кода:

(2,)
(2, 1)
[[0.5]
 [0.81649658]]

Пример с параметром where

Параметр where позволяет выбирать элементы для расчёта по определённому условию:

import numpy as np

arr = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
mask = np.array([True, True, False, True, True])

# Вычисляем отклонение только для элементов, где mask=True
res = np.nanstd(arr, where=mask)
print(res)

Результат выполнения кода:

1.5

Смотрите также

функцию nanmean,
которая вычисляет среднее арифметическое без учёта NaN
функцию nanvar,
которая вычисляет дисперсию без учёта NaN
функцию nansum,
которая вычисляет сумму элементов без учёта NaN
функцию nanmedian,
которая вычисляет медиану без учёта NaN