Ctrl+K
scipy.stats.

describe#

scipy.stats.describe(a, axis=0, ddof=1, bias=True, nan_policy='propagate')[源代码]#

计算传入数组的多个描述性统计量。

参数:
aarray_like

输入数据。

axisint 或 None，可选

计算统计量的轴。默认为 0。如果为 None，则对整个数组 a 进行计算。

ddofint，可选

自由度增量（仅用于方差）。默认为 1。

biasbool，可选

如果为 False，则偏度和峰度的计算将针对统计偏差进行校正。

nan_policy{‘propagate’， ‘raise’， ‘omit’}，可选

定义当输入包含 nan 时如何处理。以下选项可用（默认为 ‘propagate’）

  • ‘propagate’：返回 nan

  • ‘raise’：抛出错误

  • ‘omit’：执行计算时忽略 nan 值

返回:
nobsint 或 int 的 ndarray

观测次数（沿 axis 的数据长度）。当选择 ‘omit’ 作为 nan_policy 时，将分别计算每个轴切片上的长度。

minmax：ndarray 或 float 的元组

沿给定轴的 a 的最小值和最大值。

meanndarray 或 float

沿给定轴的 a 的算术平均值。

variancendarray 或 float

沿给定轴的 a 的无偏方差；分母是观测次数减一。

skewnessndarray 或 float

沿给定轴的 a 的偏度，基于矩计算，分母等于观测次数，即没有自由度校正。

kurtosisndarray 或 float

沿给定轴的 a 的峰度（Fisher）。 峰度被归一化，因此正态分布为零。不使用自由度。

引发:
ValueError

如果 a 的大小为 0。

参见

skew, kurtosis

示例

>>> import numpy as np
>>> from scipy import stats
>>> a = np.arange(10)
>>> stats.describe(a)
DescribeResult(nobs=10, minmax=(0, 9), mean=4.5,
               variance=9.166666666666666, skewness=0.0,
               kurtosis=-1.2242424242424244)
>>> b = [[1, 2], [3, 4]]
>>> stats.describe(b)
DescribeResult(nobs=2, minmax=(array([1, 2]), array([3, 4])),
               mean=array([2., 3.]), variance=array([2., 2.]),
               skewness=array([0., 0.]), kurtosis=array([-2., -2.]))
在本页