numpy.nanquantile#
- numpy.nanquantile(a, q, axis=None, out=None, overwrite_input=False, method='linear', keepdims=<no value>, *, weights=None, interpolation=None)[source]#
计算数据沿指定轴的第 q 个分位数,同时忽略 NaN 值。返回数组元素的第 q 个分位数。
版本 1.15.0 中的新增功能。
- 参数::
- aarray_like
输入数组或对象,可以转换为数组,包含要忽略的 NaN 值
- qarray_like of float
要计算的分位数的概率或概率序列。值必须在 0 到 1(含)之间。
- axis{int, tuple of int, None}, 可选
计算分位数的轴或轴。默认情况下,沿数组的扁平化版本计算分位数。
- outndarray, 可选
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(输出的类型)将在必要时进行强制转换。
- overwrite_inputbool, 可选
如果为 True,则允许修改输入数组 a 以便进行中间计算,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,其中一些方法是 NumPy 独有的。有关说明,请参阅注释。按 H&F 论文 [1] 中总结的 R 类型排序的选项如下
‘inverted_cdf’
‘averaged_inverted_cdf’
‘closest_observation’
‘interpolated_inverted_cdf’
‘hazen’
‘weibull’
‘linear’ (默认)
‘median_unbiased’
‘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’
版本 1.22.0 中的更改: 此参数以前称为“interpolation”,并且只提供“linear”默认值和最后四个选项。
- keepdimsbool, 可选
如果将其设置为 True,则将减少的轴保留在结果中,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。
如果此值不是默认值,则它将传递给(在空数组的特殊情况下)基础数组的
mean
函数。如果数组是子类并且mean
没有 kwarg keepdims,这将引发 RuntimeError。- weightsarray_like, 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。权重数组可以是一维的(在这种情况下,其长度必须是 a 沿给定轴的大小)或与 a 相同的形状。如果 weights=None,则假设 a 中的所有数据权重均为 1。只有 method=”inverted_cdf” 支持权重。
版本 2.0.0 中的新增功能。
- interpolationstr, 可选
方法关键字参数的已弃用名称。
从版本 1.22.0 开始已弃用。
- 返回值:
- quantile标量或 ndarray
如果 q 是单个概率并且 axis=None,则结果是标量。如果给出了多个概率级别,则结果的第一轴对应于分位数。其他轴是在 a 减少后剩下的轴。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
quantile
nanmean
,nanmedian
nanmedian
等效于
nanquantile(..., 0.5)
nanpercentile
与 nanquantile 相同,但 q 在 [0, 100] 范围内。
注释
numpy.nanquantile
的行为与numpy.quantile
(忽略 NaN 值) 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.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)