Python中的NumPy（Numerical Python）是一种基于Python语言的科学计算库，其提供了许多高效的数值计算工具和数组操作函数。其中包括计算样本标准差的函数。

要在Python中使用NumPy计算样本标准差，可以使用numpy.std函数。该函数的语法如下：

numpy.std(a, axis=None, dtype=None, ddof=0, keepdims=)

其中，参数a表示输入的数据数组，可以是一维或多维数组；axis表示沿着哪个轴方向进行计算，如果不指定则计算所有元素的标准差；dtype表示输出结果的数据类型，如果不指定则默认为输入数组的数据类型；ddof表示自由度（degrees of freedom），即用于计算样本方差的分母系数，当计算全体数据的标准差时，ddof应该为0，当计算样本的标准差时，ddof应该为1；keepdims表示是否保持数组的维度不变，在计算完毕后，默认会将标准差的维度缩小。

例如，要计算以下一维数组a的样本标准差：

import numpy as np

a = np.array([1, 2, 3, 4, 5])
std_a = np.std(a, ddof=1)
print(std_a) # 输出：1.5811388300841898

上述代码中，ddof参数被设置为1，表示计算样本标准差。计算结果为1.58。

同样的，如果要计算以下二维数组b每一列的样本标准差：

import numpy as np

b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
std_b = np.std(b, axis=0, ddof=1)
print(std_b) # 输出：[2.44948974 2.44948974 2.44948974]

上述代码中，axis参数被设置为0，表示沿着列方向计算标准差。计算结果为每一列的样本标准差。

除了numpy.std函数外，NumPy还提供了其他计算标准差的函数。例如，可以使用numpy.var函数计算方差，然后再对结果求平方根即可得到标准差：

import numpy as np

a = np.array([1, 2, 3, 4, 5])
var_a = np.var(a, ddof=1)
std_a = np.sqrt(var_a)
print(std_a) # 输出：1.5811388300841898

另外，还可以使用numpy.mean函数计算均值，然后再使用NumPy的广播功能计算标准差：

import numpy as np

a = np.array([1, 2, 3, 4, 5])
mean_a = np.mean(a)
std_a = np.sqrt(np.mean((a - mean_a) ** 2))
print(std_a) # 输出：1.5811388300841898

使用广播的方式计算标准差更加灵活，可以适用于不同维度和形状的数组。

总之，NumPy提供了多种计算样本标准差的方法，包括直接使用numpy.std函数、先计算方差再求平方根、以及使用均值和广播方式计算。选择哪种方法取决于具体情况，需要根据数据的维度、形状、大小以及计算效率等因素来选择最合适的方法。