NumPy: вычислить среднее значение, стандартное отклонение и дисперсию данного массива вдоль второй оси

Статистика NumPy: упражнение 7 с решением

Напишите программу NumPy для вычисления среднего значения, стандартного отклонения и дисперсии данного массива вдоль второй оси.

Из Википедии: Есть несколько видов средств в различных областях математики (особенно статистика).
Для набора данных среднее арифметическое, также называемое математическим ожиданием или средним значением, является центральным значением дискретного набора чисел: в частности, сумма значений, деленная на количество значений. Среднее арифметическое набора чисел ${\mathrm{Икс}}_1,{\mathrm{Икс}}_2,,,,,,,{\mathrm{Икс}}_N$ обычно обозначается $\overline{\mathrm{Икс}}$ произносится " $\mathrm{Икс}$ бар ". Если набор данных был основан на серии наблюдений, полученных путем выборки из статистической совокупности, среднее арифметическое представляет собой среднее значение выборки (обозначается $\overline{\mathrm{Икс}}$ ) чтобы отличить его от среднего значения основного распределения.
В вероятности и статистике среднее или ожидаемое значение популяции является мерой центральной тенденции либо распределения вероятности, либо случайной величины, характеризуемой этим распределением. В случае дискретного распределения вероятностей случайной величины $\mathrm{Икс}$ среднее значение равно сумме по каждому возможному значению, взвешенному по вероятности этого значения; то есть он рассчитывается путем взятия произведения каждого возможного значения $\mathrm{Икс}$ из $\mathrm{Икс}$ и его вероятность $п\left(\mathrm{Икс}\right)$ , а затем сложить все эти продукты вместе, давая $\mu знак\; равно\underset{}{\Sigma }\mathrm{Икс}п\left(\mathrm{Икс}\right)$ , Аналогичная формула применима к случаю непрерывного распределения вероятностей. Не каждое распределение вероятностей имеет определенное среднее; см. распределение Коши для примера. Более того, для некоторых распределений среднее бесконечно.

Напишите программу NumPy для вычисления среднего значения, стандартного отклонения и дисперсии данного массива вдоль второй оси.

Пример решения : -

Код Python:

import numpy as np
x = np.arange(6)
print("\nOriginal array:")
print(x)
r1 = np.mean(x)
r2 = np.average(x)
assert np.allclose(r1, r2)
print("\nMean: ", r1)
r1 = np.std(x)
r2 = np.sqrt(np.mean((x - np.mean(x)) ** 2 ))
assert np.allclose(r1, r2)
print("\nstd: ", 1)
r1= np.var(x)
r2 = np.mean((x - np.mean(x)) ** 2 )
assert np.allclose(r1, r2)
print("\nvariance: ", r1)

Пример вывода:

 Исходный массив:
[0 1 2 3 4 5]
Среднее значение 2,5
стандартный: 1
Дисперсия: 2.9166666666666665

Редактор кода Python:

Есть другой способ решить это решение? Внесите свой код (и комментарии) через Disqus.

Предыдущий: Напишите программу NumPy для вычисления веса данного массива.
Далее: Напишите программу NumPy для вычисления ковариационной матрицы двух заданных массивов.