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]#

计算沿指定轴的数据的第 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

输入数组或可以转换为数组的对象，包含要忽略的 nan 值

qfloat 的 array_like

用于计算分位数的概率或概率序列。值必须在 0 和 1 之间（包括 0 和 1）。

axis{int, int 元组, None}, 可选

计算分位数的轴或多个轴。默认值是沿数组的扁平化版本计算分位数。

outndarray, 可选

用于放置结果的备用输出数组。它必须具有与预期输出相同的形状和缓冲区长度，但如有必要，将强制转换（输出的）类型。

overwrite_inputbool, 可选

如果为 True，则允许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, 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，有些是 NumPy 特有的。有关解释，请参见注释。根据 H&F 论文 [1] 总结，按 R 类型排序的选项如下

  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 进一步定义了以下默认 ‘linear’（7.）选项的不连续变体

  • ‘lower’

  • ‘higher’,

  • ‘midpoint’

  • ‘nearest’

在 1.22.0 版本中更改：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, 可选

如果将其设置为 True，则在结果中保留缩减的轴，作为大小为 1 的维度。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，它将传递给底层数组的 mean 函数（在空数组的特殊情况下）。如果数组是子类，并且 mean 没有 kwarg keepdims，则会引发 RuntimeError。

weightsarray_like, 可选

与 a 中的值关联的权重数组。根据其关联的权重，a 中的每个值都会影响分位数。权重数组可以是 1 维的（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，则假设 a 中的所有数据的权重等于 1。只有 method="inverted_cdf" 支持权重。

2.0.0 版本中的新功能。

interpolationstr, 可选

method 关键字参数的已弃用名称。

自 1.22.0 版本起已弃用。

返回:
quantile标量或 ndarray

如果 q 是单个概率并且 axis=None，则结果是标量。如果给定多个概率级别，则结果的第一个轴对应于分位数。其他轴是缩减 a 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相同。如果指定了 out，则会返回该数组。

另请参阅

quantile
nanmean, nanmedian
nanmedian

等效于 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 的行为相同（忽略 nan 值）。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)，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)
在本页中