在 NumPy 中返回掩码数组元素沿行轴的标准差
numpyserver side programmingprogramming更新于 2025/9/26 16:07:17
要返回掩码数组元素的标准差，请使用 Numpy 中的 ma.MaskedArray.std() 函数。轴使用 axis 参数设置。对于行轴，axis 设置为 1。
返回数组元素的标准差，即分布扩散的度量。默认情况下，标准差针对展平数组计算，否则针对指定的轴计算。
axis 参数是计算标准差的一个或多个轴。默认计算展平数组的标准差。如果这是一个整数元组，则在多个轴上计算标准差，而不是像以前那样在单个轴或所有轴上计算。
dtype 是用于计算标准差的类型。对于整数类型的数组，默认值为 float64，对于浮点类型的数组，它与数组类型相同。
步骤
首先，导入所需的库 −
import numpy as np import numpy.ma as ma
使用 numpy.array() 方法创建一个包含 int 元素的数组 −
arr = np.array([[55, 85, 68, 84], [67, 33, 39, 53], [29, 88, 51, 37], [56, 45, 99, 85]])
print("数组...
", arr)
print("
数组类型...
", arr.dtype)
获取数组的维度 −
print("数组维度...
",arr.ndim)
创建一个掩码数组并将其中一些掩码为无效 −
maskArr = ma.masked_array(arr, mask =[[1, 1, 0, 0], [ 0, 0, 1, 0], [0, 0, 0, 1], [0, 1, 0, 0]])
print("
我们的掩码数组
", maskArr)
print("
我们的掩码数组类型...
", maskArr.dtype)
获取掩码数组的维度 −
print("
我们的掩码数组维度...
",maskArr.ndim)
获取掩码数组的维度 −
print("
我们的掩码数组形状...
",maskArr.shape)
获取掩码数组元素的数量 −
print("
掩码数组中的元素...
",maskArr.size)
要返回掩码数组元素的标准差，请使用 Numpy 中的 ma.MaskedArray.std().使用 axis 参数设置轴。axis 设置为 1，表示行轴 −
res = maskArr.std(axis = 1)
print("
结果..
.", res)
示例
import numpy as np
import numpy.ma as ma
# 使用 numpy.array() 方法创建一个包含 int 元素的数组
arr = np.array([[55, 85, 68, 84], [67, 33, 39, 53], [29, 88, 51, 37], [56, 45, 99, 85]])
print("数组...
", arr)
print("
数组类型...
", arr.dtype)
# 获取数组的维度
print("
数组维度...
",arr.ndim)
# 创建一个掩码数组，并将其中一些掩码为无效
maskArr = ma.masked_array(arr, mask =[[1, 1, 0, 0], [ 0, 0, 1, 0], [0, 0, 0, 1], [0, 1, 0, 0]])
print("
我们的掩码数组
", maskArr)
print("
我们的掩码数组类型...
", maskArr.dtype)
# 获取掩码数组的维度
print("
我们的掩码数组维度...
",maskArr.ndim)
# 获取掩码数组的形状
print("
我们的掩码数组形状...
",maskArr.shape)
# 获取掩码数组的元素数量
print("
掩码数组中的元素...
",maskArr.size)
# 要返回掩码数组元素的标准差，请使用 Numpy 中的 ma.MaskedArray.std()
# 使用 axis 参数设置轴
# 对于行轴，axis 设置为 1
res = maskArr.std(axis = 1)
print("
结果..
.", res)
输出
数组... [[55 85 68 84] [67 33 39 53] [29 88 51 37] [56 45 99 85]] 数组类型... int64 数组维度... 2 我们的掩码数组 [[-- -- 68 84] [67 33 -- 53] [29 88 51 --] [56 -- 99 85]] 我们的掩码数组类型... int64 我们的掩码数组维度... 我们的掩码数组形状... (4, 4) 掩码数组中的元素... 16 结果... . [8.0 13.9522996909709 24.34474618201362 17.90716802475106]
