### Pandas `std()` 函数的作用及示例代码演示 #### 1. `std()` 函数作用 `std()` 是 Pandas 库中的一个重要函数，用于计算数据的标准差。标准差是衡量数据集中各数值偏离平均值的程度的一种统计量。通过该函数，可以快速了解数据的离散情况。Pandas 支持对 Series 和 DataFrame 类型的数据进行标准差计算[^1]。 对于 Series 数据类型，`std()` 返回单个标量值，代表整个序列的标准差；而对于 DataFrame 数据类型，`std()` 可以按列或按行计算标准差，并返回一个包含每列（或每行）标准差的 Series 对象[^2]。 默认情况下，`std()` 使用无偏估计公式（即自由度为 N-1）。如果需要更改此行为，可以通过设置参数 `ddof` 来实现。例如，当 `ddof=0` 时，会使用总体标准差公式[^3]。 #### 2. 示例代码演示 ##### (1) 基本用法 以下是一个简单的例子，展示了如何使用 `std()` 计算 Series 的标准差： ```python import pandas as pd # 创建一个简单的数值型 Series s = pd.Series([1, 2, 3, 4, 5]) # 使用 std 方法计算标准差 std_result = s.std() print(f"基本用法结果: {std_result}") ``` **输出结果**： ``` 基本用法结果: 1.5811388300841898 ``` ##### (2) 对 DataFrame 进行标准差计算 下面的例子展示了如何对 DataFrame 的每一列和每一行分别计算标准差： ```python import pandas as pd # 创建一个 DataFrame data = { 'A': [1, 2, 3, 4, 5], 'B': [4, 5, 6, 7, 8], 'C': [7, 8, 9, 10, 11] } df = pd.DataFrame(data) # 计算整个 DataFrame 的标准差（默认按列） total_std = df.std() print("Total standard deviation of DataFrame:") print(total_std) # 计算每列的标准差 column_std = df.std(axis=0) print("\nColumn standard deviation:") print(column_std) # 计算每行的标准差 row_std = df.std(axis=1) print("\nRow standard deviation:") print(row_std) ``` **输出结果**： ``` Total standard deviation of DataFrame: A 1.581139 B 1.581139 C 1.581139 dtype: float64 Column standard deviation: A 1.581139 B 1.581139 C 1.581139 dtype: float64 Row standard deviation: 0 2.449490 1 2.449490 2 2.449490 3 2.449490 4 2.449490 dtype: float64 ``` ##### (3) 更改 ddof 参数 通过修改 `ddof` 参数，可以选择不同的标准差计算方式。以下是两个对比示例： ```python import numpy as np # 示例数据 example_data = pd.Series([10, 20, 30, 40, 50]) # 默认 ddof=1 （样本标准差） sample_std = example_data.std(ddof=1) print(f"Sample Standard Deviation (ddof=1): {sample_std}") # 设置 ddof=0 （总体标准差） population_std = example_data.std(ddof=0) print(f"Population Standard Deviation (ddof=0): {population_std}") ``` **输出结果**： ``` Sample Standard Deviation (ddof=1): 15.811388300841898 Population Standard Deviation (ddof=0): 14.142135623730951 ``` --- ###