为什么numpy std（）会给matlab std（）一个不同的结果？
我尝试将matlab代码转换为numpy，并发现numpy与std函数有不同的结果。
在matlab中
std([1,3,4,6]) ans = 2.0817 在numpy
np.std([1,3,4,6]) 1.8027756377319946
这是正常的吗？ 我该如何处理呢？
NumPy函数np.std采用可选参数ddof ：“Delta自由度”。 默认情况下，这是0 。 将其设置为1以获得MATLAB结果：
>>> np.std([1,3,4,6], ddof=1) 2.0816659994661326
为了增加更多的上下文，在计算方差（其中标准偏差是平方根）时，我们通常除以我们具有的值的数量。
但是，如果我们从较大的分布中select一个N元素的随机样本并计算方差，那么除以N就会导致低估实际方差。 为了解决这个问题，我们可以把我们除以的数量（ 自由度 ）降到一个小于N的数（通常是N-1 ）。 ddof参数允许我们通过指定的数量改变除数。
除非另有说明，否则NumPy将计算方差的偏差估计量（ ddof=0 ，除以N ）。 如果您正在处理整个分配（而不是从更大的分配中随机选取的值的子集），则这就是您想要的。 如果给定了ddof参数，则NumPy将被N - ddof分割。
MATLAB std的默认行为是通过除以N-1来纠正样本方差的偏差。 这消除了标准偏差中的一些（但可能不是全部）偏差。 如果你在一个更大的发行版的随机样本上使用这个函数，这很可能是你想要的。
@hbaderts的好的答案给出了进一步的math细节。
标准偏差是方差的平方根。 随机variablesX的方差定义为
因此，估计方差是
哪里 
表示样本均值。 对于随机select 
，可以看出，这个估计量不会收敛到实际的方差，而是收敛于
如果您随机select样本并估计样本均值和方差，则必须使用校正（无偏）估计
这将汇聚到 
。 修正术语 
也被称为贝塞尔的纠正。
现在，默认情况下，MATLAB std以校正项n-1计算无偏估计量。 然而，NumPy（如@ajcr解释）默认情况下计算没有修正项的偏估计。 参数ddof允许设置任何修正项n-ddof 。 通过设置为1，您可以得到与MATLAB相同的结果。
同样，MATLAB允许添加第二个参数w ，它指定了“称重scheme”。 默认值w=0导致校正项n-1 （无偏估计器），而对于w=1 ，只有n被用作校正项（偏差估计器）。
对于那些不擅长统计的人来说，一个简单的指导是：
-
如果你正在计算
np.std()来从你的完整数据集中提取一个样本，那么包括ddof=1。 -
确保
ddof=0如果你计算np.std()为整个人口
为了平衡在数字中可能出现的偏差，DDOF包含在样本中。
