scipy.stats.

gzscore#

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

计算几何标准分数。

计算样本中每个严格正值相对于几何平均值和标准偏差的几何 z 分数。从数学上讲，几何 z 分数可以评估为

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

其中 gmu（分别是 gsigma）是几何平均值（分别是标准偏差）。

参数:

aarray_like: 样本数据。
axisint 或 None，可选: 操作所在的轴。默认值为 0。如果为 None，则在整个数组 a 上计算。
ddofint，可选: 标准差计算中的自由度修正。默认值为 0。
nan_policy{‘propagate’, ‘raise’, ‘omit’}, 可选: 定义当输入包含 nan 时如何处理。“propagate” 返回 nan，“raise” 引发错误，“omit” 执行计算时忽略 nan 值。默认值为 ‘propagate’。请注意，当值为 ‘omit’ 时，输入中的 nan 也会传播到输出，但它们不会影响为非 nan 值计算的几何 z 分数。

返回:

另请参阅

注释

此函数保留 ndarray 子类，并且还适用于矩阵和掩码数组（它对参数使用 asanyarray 而不是 asarray）。

在版本 1.8 中添加。

参考

[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，但其形状保持不变。

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

证明几何 z 分数的分布已重新缩放且接近正态分布

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