numpy.nanquantile#

numpy.nanquantile(a, q, axis=None, out=None, overwrite_input=False, method='linear', keepdims=<no value>, *, weights=None, interpolation=None)[源代码]#

计算指定轴上数据的第 q 个分位数,同时忽略 nan 值.返回数组元素的第 q 个分位数.

参数:
aarray_like

可以转换为数组的输入数组或对象,包含要忽略的 nan 值

qfloat 的类数组

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(包括 0 和 1).

轴{int, tuple of int, None}, optional

计算分位数所沿的轴或多个轴.默认值是计算沿数组扁平化版本的分位数.

outndarray,可选

用于放置结果的可选输出数组.它必须具有与预期输出相同的形状和缓冲区长度,但是如有必要,将强制转换(输出的)类型.

overwrite_inputbool,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,此函数完成后输入 a 的内容是未定义的.

methodstr, optional

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. 请参阅注释以了解解释. H&F 论文 [1] 中总结的按 R 类型排序的选项为:

  1. ‘inverted_cdf’

  2. ‘averaged_inverted_cdf’

  3. ‘closest_observation’

  4. ‘interpolated_inverted_cdf’

  5. ‘hazen’

  6. ‘weibull’

  7. ‘linear’ (default)

  8. ‘median_unbiased’

  9. ‘normal_unbiased’

前三种方法是不连续的. NumPy 进一步定义了以下默认"线性"(7.)选项的不连续变体:

  • ‘lower’

  • ‘higher’,

  • ‘midpoint’

  • ‘nearest’

在 1.22.0 版本发生变更: 此参数以前称为"interpolation",仅提供"linear"默认值和最后四个选项.

keepdimsbool,可选

如果设置为 True,则缩小的轴将保留在结果中,作为大小为 1 的维度. 使用此选项,结果将正确地广播到原始数组 a .

如果此值不是默认值,它将被传递(在空数组的特殊情况下)到底层数组的 mean 函数.如果数组是一个子类并且 mean 没有 kwarg keepdims ,这将引发 RuntimeError.

weights类数组,可选

与 a 中的值关联的权重数组. a 中的每个值都根据其关联的权重对分位数做出贡献. 权重数组可以是 1-D(在这种情况下,其长度必须是 a 沿给定轴的大小)或与 a 的形状相同. 如果 weights=None ,则假定 a 中的所有数据都具有等于 1 的权重. 只有 method=”inverted_cdf” 支持权重.

在 2.0.0 版本加入.

interpolationstr, optional

method 关键字参数的已弃用名称.

自 1.22.0 版本弃用.

返回:
quantile标量或 ndarray

如果 q 是一个单独的概率且 axis=None ,则结果是一个标量.如果给出了多个概率级别,则结果的第一个轴对应于分位数.其他轴是在 a 的归约之后保留的轴.如果输入包含整数或小于 float64 的浮点数,则输出数据类型为 float64 .否则,输出数据类型与输入的数据类型相同.如果指定了 out ,则返回该数组.

参见

quantile
nanmean , nanmedian
nanmedian

相当于 nanquantile(..., 0.5)

nanpercentile

与 nanquantile 相同,但 q 的范围为 [0, 100].

注释

numpy.nanquantile 的行为与 numpy.quantile 相同(忽略 nan 值).有关更多信息,请参见 numpy.quantile .

参考文献

[1]

R. J. Hyndman and Y. Fan, “Sample quantiles in statistical packages,” The American Statistician, 50(4), pp. 361-365, 1996

示例

>>> import numpy as np
>>> 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)
np.float64(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)
On this page