numpy.nanquantile #

麻木的。nanquantile ( a , q , axis=None , out=None , overwrite_input=False , method='线性' , keepdims=<无 值> , * , interpolation=None ) [来源] #

沿指定轴计算数据的第 q 个分位数，同时忽略 nan 值。返回数组元素的第 q 个分位数。

1.15.0 版本中的新增功能。

参数：
类似数组

输入数组或可转换为数组的对象，包含要忽略的 nan 值

q类似浮点数的数组

要计算的分位数的概率或概率序列。值必须介于 0 和 1 之间（含 0 和 1）。

axis {int, int 元组, None}, 可选

计算分位数所沿的一个或多个轴。默认值是沿着数组的扁平版本计算分位数。

输出ndarray，可选

用于放置结果的替代输出数组。它必须具有与预期输出相同的形状和缓冲区长度，但如果需要，将强制转换（输出的）类型。

overwrite_input布尔值，可选

如果为 True，则允许通过中间计算修改输入数组a ，以节省内存。在这种情况下，该函数完成后输入a的内容 是未定义的。

方法str，可选

此参数指定用于估计分位数的方法。有许多不同的方法，其中一些是 NumPy 独有的。请参阅注释以获取解释。 H&F 论文[1]中总结的按 R 类型排序的选项是：

  1. 'inverted_cdf'

  2. 'averaging_inverted_cdf'

  3. '最近观察'

  4. 'interpolated_inverted_cdf'

  5. '哈森'

  6. '威布尔'

  7. “线性”（默认）

  8. '中位数无偏'

  9. '正常_无偏'

前三种方法是不连续的。 NumPy 进一步定义了默认“线性”(7.) 选项的以下不连续变化：

  • '降低'

  • '更高'，

  • '中点'

  • ‘最近’

在版本 1.22.0 中更改：此参数以前称为“插值”，仅提供“线性”默认值和最后四个选项。

keepdims布尔值，可选

如果将此设置为 True，则缩小的轴将作为大小为 1 的维度保留在结果中。使用此选项，结果将针对原始数组a正确广播。

如果这不是默认值，它将被传递（在空数组的特殊情况下）到 mean底层数组的函数。如果数组是子类并且mean没有 kwarg keepdims这将引发运行时错误。

插值str，可选

方法关键字参数的已弃用名称。

自版本 1.22.0 起已弃用。

返回：
分位数标量或 ndarray

如果q是单个概率且axis=None，则结果是标量。如果给出多个概率级别，结果的第一个轴对应于分位数。其他轴是a归约后剩余的轴。如果输入包含小于 的整数或浮点数float64，则输出数据类型为float64。否则，输出数据类型与输入数据类型相同。如果指定了out，则返回该数组。

也可以看看

quantile
nanmean,nanmedian
nanmedian

相当于nanquantile(..., 0.5)

nanpercentile

与 nanquantile 相同，但 q 在 [0, 100] 范围内。

笔记

欲了解更多信息，请参阅numpy.quantile

参考

[ 1 ]

RJ Hyndman 和 Y. Fan，“统计包中的样本分位数”，《美国统计学家》，50(4)，第 361-365 页，1996 年

例子

>>> a = np.array([[10., 7., 4.], [3., 2., 1.]])
>>> a[0][1] = np.nan
>>> a
array([[10.,  nan,   4.],
      [ 3.,   2.,   1.]])
>>> np.quantile(a, 0.5)
nan
>>> np.nanquantile(a, 0.5)
3.0
>>> np.nanquantile(a, 0.5, axis=0)
array([6.5, 2. , 2.5])
>>> np.nanquantile(a, 0.5, axis=1, keepdims=True)
array([[7.],
       [2.]])
>>> m = np.nanquantile(a, 0.5, axis=0)
>>> out = np.zeros_like(m)
>>> np.nanquantile(a, 0.5, axis=0, out=out)
array([6.5, 2. , 2.5])
>>> m
array([6.5,  2. ,  2.5])
>>> b = a.copy()
>>> np.nanquantile(b, 0.5, axis=1, overwrite_input=True)
array([7., 2.])
>>> assert not np.all(a==b)