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:
'inverted_cdf'
'averaging_inverted_cdf'
'最近观察'
'interpolated_inverted_cdf'
'哈森'
'威布尔'
“线性”(默认)
'中位数无偏'
'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)