如何用Pandas和Numpy按列通过均值、标准差转换为Z值

API 探路者

2026-8-15

用 Pandas 和 NumPy 实现列数据的 Z 值转换

给定矩阵 matrix = [[1,2,3], [4,5,6], [7,8,9]]，先构建含 a、b、c 列的数据表，再对每列计算 Z 值（公式：(数值 - 列均值)/列标准差）。以下是具体实现方法：

方法一：直接用 Pandas 计算

Pandas 可通过简单算术运算直接实现，同时支持控制标准差的计算方式（总体/样本）：

import pandas as pd

# 构建数据表
matrix = [[1,2,3], [4,5,6], [7,8,9]]
df = pd.DataFrame(matrix, columns=['a', 'b', 'c'])

# 计算 Z 值（使用总体标准差，对应示例中的2.45）
z_scores_df = (df - df.mean()) / df.std(ddof=0)

print(z_scores_df)

输出结果：

a         b         c
0 -1.224745 -1.224745 -1.224745
1  0.000000  0.000000  0.000000
2  1.224745  1.224745  1.224745

注：ddof=0 表示计算总体标准差（对应示例中 a 列的标准差≈2.45，即 sqrt(6)）；若需使用样本标准差（除以 n-1），则去掉 ddof=0，此时 a 列标准差为3。

方法二：用 NumPy 手动计算

若需要更底层的控制，用 NumPy 实现步骤如下：

import numpy as np
import pandas as pd

matrix = [[1,2,3], [4,5,6], [7,8,9]]
arr = np.array(matrix)

# 计算每列的均值和总体标准差
col_means = np.mean(arr, axis=0)
col_stds = np.std(arr, axis=0, ddof=0)

# 广播计算 Z 值
z_scores_arr = (arr - col_means) / col_stds

# 转成 Pandas DataFrame
z_scores_df = pd.DataFrame(z_scores_arr, columns=['a', 'b', 'c'])

print(z_scores_df)

输出结果和方法一完全一致。