numpy.nanpercentile#

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

计算沿指定轴的数据的第 q 个百分位数，同时忽略 NaN 值。

返回数组元素的第 q 个百分位数。

参数：
aarray_like

输入数组或可以转换为数组的对象，包含要忽略的 NaN 值。

qarray_like of float

要计算的百分位数或百分位数序列，必须在 0 到 100（含）之间。

axis{int, tuple of int, None}, optional

计算百分位数的轴或轴。默认情况下，沿数组的扁平化版本计算百分位数。

outndarray, optional

用于放置结果的备用输出数组。它必须与预期输出具有相同的形状和缓冲区长度，但类型（输出类型）将根据需要进行转换。

overwrite_inputbool, optional

如果为 True，则允许修改输入数组 a 以进行中间计算以节省内存。在这种情况下，此函数完成后的输入 a 的内容是不确定的。

methodstr, optional

此参数指定用于估计百分位数的方法。有很多不同的方法，其中一些是 NumPy 独有的。请参阅注释以了解说明。根据 H&F 论文 [1] 中总结的 R 类型排序的选项是

  1. ‘inverted_cdf’

  2. ‘averaged_inverted_cdf’

  3. ‘closest_observation’

  4. ‘interpolated_inverted_cdf’

  5. ‘hazen’

  6. ‘weibull’

  7. ‘linear’ (默认)

  8. ‘median_unbiased’

  9. ‘normal_unbiased’

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

  • ‘lower’

  • ‘higher’

  • ‘midpoint’

  • ‘nearest’

1.22.0 版本中的变更： 此参数以前称为“interpolation”，并且仅提供“linear”默认值和最后四个选项。

keepdimsbool, optional

如果将其设置为 True，则减少的轴将保留在结果中，大小为 1。使用此选项，结果将与原始数组 a 正确广播。

如果它不是默认值，它将被传递（在空数组的特殊情况下）到基础数组的 mean 函数。如果数组是子类并且 mean 没有关键字参数 keepdims，这将引发 RuntimeError。

weightsarray_like, optional

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百分位数做出贡献。weights 数组可以是一维的（在这种情况下，其长度必须是给定轴上 a 的大小）或与 a 形状相同。如果 weights=None，则假设 a 中的所有数据权重都等于 1。只有 method=”inverted_cdf” 支持权重。

2.0.0 版本中的新功能。

interpolationstr, optional

method 关键字参数的已弃用名称。

自 1.22.0 版本起已弃用。

返回：
percentile标量或 ndarray

如果 q 是单个百分位数并且 axis=None，则结果为标量。如果给出多个百分位数，则结果的第一轴对应于百分位数。其他轴是在 a 缩减后剩余的轴。如果输入包含小于 float64 的整数或浮点数，则输出数据类型为 float64。否则，输出数据类型与输入相同。如果指定了 out，则返回该数组。

另请参阅

nanmean
nanmedian

等效于 nanpercentile(..., 50)

percentile，median，mean
nanquantile

等效于 nanpercentile，除了 q 的范围为 [0, 1]。

注释

numpy.nanpercentile 使用百分比 q 的行为与 numpy.quantile 使用参数 q/100（忽略 NaN 值）的行为相同。有关更多信息，请参阅 numpy.quantile。

参考文献

[1]

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

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.percentile(a, 50)
np.float64(nan)
>>> np.nanpercentile(a, 50)
3.0
>>> np.nanpercentile(a, 50, axis=0)
array([6.5, 2. , 2.5])
>>> np.nanpercentile(a, 50, axis=1, keepdims=True)
array([[7.],
       [2.]])
>>> m = np.nanpercentile(a, 50, axis=0)
>>> out = np.zeros_like(m)
>>> np.nanpercentile(a, 50, axis=0, out=out)
array([6.5, 2. , 2.5])
>>> m
array([6.5,  2. ,  2.5])

>>> b = a.copy()
>>> np.nanpercentile(b, 50, axis=1, overwrite_input=True)
array([7., 2.])
>>> assert not np.all(a==b)
本页内容