scipy.stats.

gzscore#

scipy.stats.gzscore(a, *, axis=0, ddof=0, nan_policy='propagate')[source]#

计算几何标准分数。

计算样本中每个严格正值的几何 z 分数，相对于几何平均值和标准差。从数学上来说，几何 z 分数可以计算为

gzscore = log(a/gmu) / log(gsigma)

其中 gmu（分别是 gsigma）是几何平均值（分别是标准差）。

参数：:

**a**array_like: 样本数据。
**axis**int 或 None，可选: 要操作的轴。默认值为 0。如果为 None，则对整个数组 a 进行计算。
**ddof**int，可选: 计算标准差时的自由度校正。默认值为 0。
**nan_policy**{‘propagate’, ‘raise’, ‘omit’}，可选: 定义如何处理输入中包含 nan 的情况。‘propagate’ 返回 nan，‘raise’ 抛出错误，‘omit’ 执行忽略 nan 值的计算。默认值为 ‘propagate’。请注意，当值为 ‘omit’ 时，输入中的 nan 也将传播到输出，但它们不会影响为非 nan 值计算的几何 z 分数。

返回值：:

另请参阅

注意事项

此函数保留 ndarray 子类，并且也适用于矩阵和掩码数组（它使用 asanyarray 而不是 asarray 用于参数）。

在版本 1.8 中添加。

参考文献

[1]

示例

从对数正态分布中抽取样本

>>> import numpy as np
>>> from scipy.stats import zscore, gzscore
>>> import matplotlib.pyplot as plt

>>> rng = np.random.default_rng()
>>> mu, sigma = 3., 1.  # mean and standard deviation
>>> x = rng.lognormal(mu, sigma, size=500)

显示样本的直方图

>>> fig, ax = plt.subplots()
>>> ax.hist(x, 50)
>>> plt.show()

显示由经典 z 分数标准化的样本的直方图。分布已重新缩放，但形状不变。

>>> fig, ax = plt.subplots()
>>> ax.hist(zscore(x), 50)
>>> plt.show()

演示几何 z 分数的分布已重新缩放并且近似正态

>>> fig, ax = plt.subplots()
>>> ax.hist(gzscore(x), 50)
>>> plt.show()