Matlab与python计算标准差的不同之处

        学过概率论的应该都知道，现实世界得到的分布往往是抽样分布，而抽样分布标准差的无偏估计量是这样的：

在matlab官网当中这样解释：

S = std(A) 返回 A 沿大小不等于 1 的第一个数组维度的元素的标准差。默认情况下，标准差按 N-1 实现归一化，其中 N 是观测值数量。

一个例子：

A = [4 -5 1; 2 3 5; -9 1 7];
S = std(A)
S = 1×3

    7.0000    4.1633    3.0551

确实是按上述公式来的，但是numpy当中却不是这样计算的：

The standard deviation is the square root of the average of the squared deviations from the mean, i.e., std = sqrt(mean(x)), where x = abs(a - a.mean())**2.

什么意思呢？相当于上面公式中分母为N了，那就不是无偏估计了，我对这一点很疑惑，numpy为什么这样写，请大佬解答。

代码如下：

import numpy as np

a=np.array(a)
a.std(axis=0)

out:array([5.715476 , 3.399346 , 2.4944384], dtype=float32)

至于pytorch，我也查了相关文档，发现torch用的也是和matlab一样的方法来计算标准差。

官方文档在这里

import torch

a=torch.tensor([[4, -5, 1],[2, 3, 5],[-9, 1, 7]],dtype=torch.float32)
a.std(dim=0)

out:tensor([7.0000, 4.1633, 3.0551])