numpy.nanvar
numpy.nanvar(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>) [source]
沿指定轴计算方差，而忽略NaN。
返回数组元素的方差，即分布分布的度量。默认情况下，将为展平数组计算方差，否则将在指定轴上计算方差。
对于全NaN切片或自由度为零的切片，将返回NaN并引发RuntimeWarning。
1.8.0版中的新功能。
参数 ： | a ：array_like 包含需要方差的数字的数组。如果a不是数组，则尝试进行转换。 axis ：{int, tuple of int, None}, 可选 计算方差的一个或多个轴。 默认值是计算展平数组的方差。 dtype ：data-type, 可选 用于计算方差的类型。对于整数类型的数组， 默认值为float64;对于float类型的数组，它与数组类型相同。 out ：ndarray, 可选 要在其中放置结果的备用输出数组。 它必须具有与预期输出相同的形状， 但是如果需要，可以强制转换类型。 ddof ：int, 可选 “Delta Degrees of Freedom”：计算中使用的除数为 其中 keepdims ：bool, 可选 如果将其设置为True，则缩小的轴将保留为尺寸1的尺寸。 使用此选项，结果将相对于原始a正确广播。 |
返回值 ： | variance ：ndarray, see dtype parameter above 如果out为None，则返回包含差异的新数组， 否则返回对输出数组的引用。 如果ddof >=切片中非NaN元素的数量， 或者该切片仅包含NaN，则该切片的结果为NaN。 |
Notes
方差是与平均值的平方偏差的平均值，即var = mean(abs(x - x.mean())** 2)。
平均值通常按x.sum()/N计算，其中N = len(x)。但是，如果指定了ddof，则使用除数N-ddof。在标准的统计实践中，ddof = 1提供了一个假设的无限总体方差的无偏估计量。ddof = 0为正态分布变量提供方差的最大似然估计。
请注意，对于复数，绝对值是在平方之前获取的，因此结果始终是实数且非负数。
对于浮点输入，使用与输入相同的精度来计算方差。根据输入数据，这可能导致结果不准确，尤其是对于float32（请参见下面的示例）。使用dtype关键字指定精度更高的累加器可以缓解此问题。
为了使此功能能够用于ndarray的子类，它们必须使用kwarg keepdims定义sum
例子
>>> a = np.array([[1, np.nan], [3, 4]])
>>> np.nanvar(a)
1.5555555555555554
>>> np.nanvar(a, axis=0)
array([1., 0.])
>>> np.nanvar(a, axis=1)
array([0., 0.25]) # may vary