Función de Desviación Estándar de NumPy

Introducción

En este laboratorio, cubriremos la función numpy.std() de la biblioteca NumPy. Comprendiremos qué significa la desviación estándar y cómo usar numpy.std() para calcular la desviación estándar de una matriz.

Consejos sobre la VM

Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.

Comprendiendo la desviación estándar

La desviación estándar es una medida de la cantidad de variación o dispersión del conjunto de valores. Matemáticamente, la desviación estándar se define como la raíz cuadrada de la media de las desviaciones al cuadrado a partir de la media. Echemos un vistazo a la fórmula de la desviación estándar:

std = \sqrt{\frac{\sum_{i=1}^{n} (x_i-\bar{x})^2}{n}}

Aquí, \bar{x} es la media de los elementos del arreglo, x_i es el i-ésimo elemento del arreglo y n es el número de elementos del arreglo.

Sintaxis de numpy.std()

La sintaxis necesaria para usar la función numpy.std() es la siguiente:

numpy.std(a, axis=None, dtype=None, out=None)

Parámetros:

• a: Arreglo de entrada
• axis: Eje a lo largo del cual se calcula la desviación estándar. Por defecto, se calcula en un arreglo aplanado.
• dtype: Tipo de datos deseado de la salida devuelta
• out: Arreglo de salida, en el que se almacena la salida.

Devuelve:

Devuelve la desviación estándar del arreglo o un arreglo con los valores de desviación estándar a lo largo del eje especificado.

Ejemplo

Echemos un vistazo a un ejemplo sencillo que utiliza numpy.std().

import numpy as np

## create 2D array
a = np.array([[11, 2], [13, 44]])
print("The array is:\n",a)

## calculate standard deviation of flattened array
print("Standard Deviation is :")
print(np.std(a))

## calculate standard deviation along axis 0
print("Standard Deviation along axis 0:")
print(np.std(a, axis=0))

## calculate standard deviation along axis 1
print("Standard Deviation along axis 1:")
print(np.std(a, axis=1))

Salida:

The array is:
[[11  2]
 [13 44]]
Standard Deviation is :
15.850867484147358
Standard Deviation along axis 0:
[ 1. 21.]
Standard Deviation along axis 1:
[ 4.5 15.5]

Precisión

Echemos un vistazo a un ejemplo en el que podemos especificar el tipo de datos para la salida.

import numpy as np

inp = [22, 2, 17, 11, 34]

print("The input array is : ")
print(inp)

## calculate standard deviation
print("The standard deviation of the Input Array is: ")
print(np.std(inp))

## get more precision with float 32
print("\nTo get More precision with float32")
print("Thus std of array is : ", np.std(inp, dtype=np.float32))

## get more accuracy with float 64
print("\nTo get More accuracy with float64")
print("The std of array is : ", np.std(inp, dtype=np.float64))

Salida:

The input array is:
[22, 2, 17, 11, 34]
The standard deviation of the Input Array is:
10.721940122944167

To get More precision with float32
Thus std of array is : 10.72194

To get More accuracy with float64
The std of array is: 10.721940122944167

Nota: Para calcular la desviación estándar con mayor precisión, se utiliza dtype float64.

Resumen

En este laboratorio, aprendimos sobre la función numpy.std(), que se utiliza para calcular la desviación estándar de un arreglo a lo largo del eje especificado. Además, comprendimos la sintaxis de numpy.std() y los diferentes parámetros que podemos pasar. Finalmente, vimos algunos ejemplos para entender cómo funciona numpy.std().