Pandas 与 Numpy 中的std() var() 区别

方差（Variance）：一个随机变量的方差描述的是它的离散程度，也就是该变量离其期望值的距离。将各个误差将之平方（而非取绝对值，使之肯定为正数），相加之后再除以总数。公式如下：

pandas官方文档对 var() 定义：DataFrame.var(axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)

pandas 默认 ddof=1, 即分母为N-1，这样的样本方差是总体方差的无偏估计。这被称为贝塞尔修正。

numpy官方文档var() 定义： numpy.var(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)

numpy默认 ddof=0, 即分母为N。

标准差（又称标准偏差、均方差，英语：Standard Deviation，缩写SD），数学符号σ（sigma），在概率统计中最常使用作为测量一组数值的离散程度之用。标准差定义：为方差开算术平方根，反映组内个体间的离散程度；标准差与期望值之比为标准离差率。

pandas官方文档对 std() 定义：DataFrame.std(axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs)

numpy.std(a, axis=None, dtype=None, out=None, ddof=0, keepdims=<no value>)