Question

使用Numpy / Python，是否可以从单个函数调用中返回均值和方差？

我知道我可以单独进行，但需要平均值来计算样本标准偏差。因此，如果我使用单独的函数来获得均值和方差，我会增加不必要的开销。

我曾尝试在这里查看numpy文档（http://docs.scipy.org/doc/numpy/reference/routines.statistics.html），但没有成功。

Answer 1

您无法将已知均值传递给np.std或np.var，您必须等待new standard library statistics module，但与此同时，您可以节省一点时间公式：

In [329]: a = np.random.rand(1000)

In [330]: %%timeit
   .....: a.mean()
   .....: a.var()
   .....: 
10000 loops, best of 3: 80.6 µs per loop

In [331]: %%timeit
   .....: m = a.mean()
   .....: np.mean((a-m)**2)
   .....: 
10000 loops, best of 3: 60.9 µs per loop

In [332]: m = a.mean()

In [333]: a.var()
Out[333]: 0.078365856465916137

In [334]: np.mean((a-m)**2)
Out[334]: 0.078365856465916137

如果您真的想加快速度，请尝试np.dot进行平方和求和（因为这就是点积）：

In [335]: np.dot(a-m,a-m)/a.size
Out[335]: 0.078365856465916137

In [336]: %%timeit
   .....: m = a.mean()
   .....: c = a-m
   .....: np.dot(c,c)/a.size
   .....: 
10000 loops, best of 3: 38.2 µs per loop

Answer 2

您还可以通过利用信号的均值，方差和功率之间的关系来避免减法：

In [7]: import numpy as np

In [8]: a = np.random.rand(1000)

In [9]: %%timeit
   ...: a.mean()
   ...: a.var()
   ...: 
10000 loops, best of 3: 24.7 us per loop

In [10]: %%timeit
    ...: m = a.mean()
    ...: np.mean((a-m)**2)
    ...: 
100000 loops, best of 3: 18.5 us per loop

In [11]: %%timeit
    ...: m = a.mean()
    ...: power = np.mean(a ** 2)
    ...: power - m ** 2
    ...: 
100000 loops, best of 3: 17.3 us per loop

In [12]: %%timeit
    ...: m = a.mean()
    ...: power = np.dot(a, a) / a.size
    ...: power - m ** 2
    ...: 
100000 loops, best of 3: 9.16 us per loop

Answer 3

我不认为NumPy提供了同时返回均值和方差的函数。

但是，SciPy提供了函数scipy.stats.norm.fit()，该函数返回样本的平均值和标准偏差。该函数是根据其使样本符合正态分布的更具体目的而命名的。

示例：

None
None

请注意，>>> import scipy.stats >>> scipy.stats.norm.fit([1,2,3]) (2.0, 0.81649658092772603)不适用于标准偏差Bessel's correction，因此，如果要进行校正，则必须乘以适当的系数。

Numpy意味着和单一函数的方差？

3 个答案: