Ctrl+K
scipy.stats.

friedmanchisquare#

scipy.stats.friedmanchisquare(*samples, axis=0, nan_policy='propagate', keepdims=False)[源代码]#

计算重复样本的弗里德曼检验。

弗里德曼检验检验的是同一批个体的重复样本是否具有相同分布的零假设。它通常用于检验以不同方式获得的样本之间的一致性。例如，如果对同一批个体使用了两种采样技术，则可以使用弗里德曼检验来确定这两种采样技术是否一致。

参数:
sample1, sample2, sample3…array_like

观测值数组。所有数组必须具有相同数量的元素。必须至少给出三个样本。

axisint 或 None，默认值：0

如果为 int，则为输入沿其计算统计量的轴。输入的每个轴切片（例如，行）的统计量将出现在输出的相应元素中。如果为 None，则在计算统计量之前将展平输入。

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

定义如何处理输入 NaN。

  • propagate：如果存在 NaN 在沿其计算统计量的轴切片（例如，行）中，则输出的相应条目将为 NaN。

  • omit：在执行计算时将省略 NaN。如果在沿其计算统计量的轴切片中剩余的数据不足，则输出的相应条目将为 NaN。

  • raise：如果存在 NaN，则将引发 ValueError。

keepdimsbool，默认值：False

如果将其设置为 True，则缩减的轴将以大小为 1 的维度保留在结果中。使用此选项，结果将针对输入数组正确广播。

返回:
statisticfloat

检验统计量，已校正联系。

pvaluefloat

假设检验统计量具有卡方分布的关联 p 值。

另请参阅

重复样本的弗里德曼检验

扩展示例

注意

由于假设检验统计量具有卡方分布，因此仅当 n > 10 且重复样本多于 6 个时，p 值才可靠。

从 SciPy 1.9 开始，在执行计算之前，np.matrix 输入（不推荐用于新代码）将转换为 np.ndarray。在这种情况下，输出将是一个标量或具有适当形状的 np.ndarray，而不是二维 np.matrix。类似地，虽然会忽略掩码数组的掩码元素，但输出将是一个标量或 np.ndarray，而不是 mask=False 的掩码数组。

参考文献

[2]

Demsar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine Learning Research, 7, 1-30.

示例

>>> import numpy as np
>>> rng = np.random.default_rng(seed=18)
>>> x = rng.random((6, 10))
>>> from scipy.stats import friedmanchisquare
>>> res = friedmanchisquare(x[0], x[1], x[2], x[3], x[4], x[5])
>>> res.statistic, res.pvalue
(11.428571428571416, 0.043514520866727614)

p 值小于 0.05；但是，如上所述，由于我们的重复样本数量很少，因此结果可能不可靠。

有关更详细的示例，请参阅 重复样本的弗里德曼检验。

在本页