性病
的标准偏差。
库::`工程师`
语法
函数调用
-
[参数:S],[参数:M]=std(___,[参数:missingflag])-确定是否包括或排除缺失值[参数:A]对于前面的任何语法选项。 例如,std(A,"省略")计算标准偏差时忽略所有缺失值。 默认情况下性病包括缺失值。
争论
输入参数
# 一个 — 输入数组
+
向量资料 | 矩阵 | 多维数组
Details
指定为向量、矩阵或多维数组的输入数组。 如果 A -一个标量，然后 性病(A) 申报表 0. 如果 A -大小的空数组 0 上 0 然后 性病(A) 申报表 南.
| 数据类型 |
|
# 昏暗 — 为其执行操作的测量
+
正整数标量
Details
对其执行操作的维度指定为正整数标量。 如果未指定维度，则默认使用数组的第一个维度，其大小不等于 1.
论点 昏暗 指定长度缩减为的维度 1. 意义 尺寸(s,暗淡) 同样 1，而所有其他维度的维度保持不变。
考虑输入矩阵 A 大小 m 上 n:
-
std(A,0,1)计算矩阵每列中元素的标准差A并返回大小的向量字符串1上n.
-
std(A,0,2)计算矩阵每行中元素的标准差A并返回大小的列向量m上1.
如果 昏暗 更多 ndims(A) 然后 性病(A) 返回一个大小与 A.
# vecdim — 测量向量
+
正整数的向量
Details
维的向量定义为正整数的向量。 每个元素表示输入数组的一个维度。 在指定的操作测量中，输出数据的长度为 1，而其他维度保持不变。
考虑输入数组 A 大小 2×3×3. 然后 std(A,0,[12]) 返回大小的数组 1×1×3，其中的元素表示为每个层计算的标准偏差 A.
# missingflag — 缺失值的条件
+
"包括" （默认情况下）| "包括" | "包括" | "省略" | "omitnan" | "省略"
例子：
矩阵列的标准偏差
Details
让我们创建一个矩阵并计算每列的标准偏差。
import EngeeDSP.Functions: std
A = [4 -5 1; 2 3 5; -9 1 7]
S = std(A).S1×3 Matrix{Float64}:
7.0 4.16333 3.05505三维阵列的标准差
Details
让我们创建一个三维数组并计算第一维的标准偏差。
import EngeeDSP.Functions: std
A = cat([2 4; -2 1], [9 13; -5 7], [4 4; 8 -3]; dims=3)
S = std(A).S1×2×3 Array{Float64, 3}:
[:, :, 1] =
2.82843 2.12132
[:, :, 2] =
9.89949 4.24264
[:, :, 3] =
2.82843 4.94975指定标准偏差的加权系数
Details
让我们创建一个矩阵，并根据权重向量计算每列的标准偏差。 w.
import EngeeDSP.Functions: std
A = [1 5; 3 7; -9 2]
w = [1 1 0.5]
S = std(A, w).S1×2 Matrix{Float64}:
4.48999 1.83303矩阵各行的标准偏差
Details
让我们创建一个矩阵并计算每行的标准偏差。
import EngeeDSP.Functions: std
A = [6 4 23 -3; 9 -10 4 11; 2 8 -5 1]
S = std(A, 0, 2).S3×1 Matrix{Float64}:
11.030261405182864
9.46924847422786
5.32290647422377阵列层的标准偏差
Details
让我们创建一个三维数组并计算每个数据层（行和列）的标准偏差。
import EngeeDSP.Functions: std
A=猫([2 4; -2 1], [9 13; -5 7], [4 4; 8 -3]; dims=3）
S=std(A,0,[1 2])。S1×1×3 Array{Float64, 3}:
[:, :, 1] =
2.5
[:, :, 2] =
7.745966692414834
[:, :, 3] =
4.573474244670748没有缺失值的标准偏差
Details
创建包含值的矩阵 南.
A = [1.77 NaN -2.95; NaN 0.34 0.19]2×3 Matrix{Float64}:
1.77 NaN -2.95
NaN 0.34 0.19计算矩阵的标准偏差，排除缺失值。 对于包含任何值的矩阵列 南，功能 性病 使用除此以外的所有元素计算 南.
import EngeeDSP.Functions: std
S = std(A, "omitmissing").S1×3 Matrix{Float64}:
0.0 0.0 2.22032标准偏差和数学期望
Details
让我们创建一个矩阵并计算每列的标准偏差和数学期望。
import EngeeDSP.Functions: std
A = [4 -5 1; 2 3 5; -9 1 7]
S, M = std(A)(S = [7.0 4.163331998932266 3.055050463303893], M = [-1.0 -0.3333333333333333 4.333333333333333])让我们创建一个矩阵，并根据权重向量计算每列的加权标准偏差和加权平均值 w.
A = [1 5; 3 7; -9 2]
w = [1 1 0.5]
S, M = std(A, w)(S = [4.48998886412873 1.8330302779823362], M = [-0.2 5.2])