在我们的Python统计函数系列的继续中，今天我们将使用Python stdev()方法公开标准差。

标准偏差是代表数据变化的统计实体，即它描述了数据值与中心值(数据平均值)的偏差。

通常，使用以下公式计算标准差

标准偏差=(方差)^ 1/2

现在，让我们开始使用Python内置函数来实现和计算标准偏差。

Python stdev()函数入门

" Python统计模块"包含各种内置功能，可以执行数据分析和其他统计功能。
" statistics.stdev()函数"用于计算作为参数传递给该函数的数据值的标准偏差。

语法：

statistics.stdev(data)

例：

import statistics
data = range(1,10)

res_std = statistics.stdev(data)
print(res_std)

在上面的示例中，我们使用range()函数创建了1-10之间数字的数据。
此外，我们应用stdev()函数来评估数据值的标准偏差。

输出：

2.7386127875258306

NumPy模块的Python标准偏差

Python NumPy模块将数据元素转换为数组形式以对其执行数字操作。

此外，" numpy.std()函数"可用于计算NumPy数组中存在的所有数据值的标准偏差。

语法：

numpy.std(data)

我们需要将NumPy模块导入Python环境中，以使用以下代码访问该模块的内置函数

import numpy

例：

import numpy as np
import pandas as pd
data = np.arange(1,30)
res_std = np.std(data)
print(res_std)

在上面的示例中，我们使用numpy.arange()函数从1到30生成了一个元素数组。
之后，我们将数组传递给numpy.std()函数以计算数组元素的标准差。

输出：

8.366600265340756

Pandas模块的Python标准差

Python Pandas模块将数据值转换为DataFrame，并帮助我们分析和使用庞大的数据集。
pandas.DataFrame.std()函数用于计算特定DataFrame的数据列值的标准偏差。

语法：

pandas.DataFrame.std()

范例1：

import numpy as np
import pandas as pd
data = np.arange(1,10)
df = pd.DataFrame(data)
res_std = df.std()
print(res_std)

在上面的示例中，我们将NumPy数组转换为DataFrame并应用了DataFrame.std()函数来获取数据值的标准差。

输出：

0    2.738613
dtype: float64

范例2：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
 
data = pd.read_csv("C:/mtcars.csv")
res_std = data['qsec'].std()
print(res_std)

在上面的示例中，我们使用了数据集，并使用DataFrame.std()函数计算了数据列" qsec"的标准偏差。

输入数据集：
MTCARS Dataset

输出：

1.7869432360968431