kendalltau#
- scipy.stats.kendalltau(x, y, *, nan_policy='propagate', method='auto', variant='b', alternative='two-sided', axis=None, keepdims=False)[source]#
计算肯德尔 tau 系数,一种用于有序数据的相关性度量。
肯德尔 tau 系数是两个排序之间对应关系的度量。接近 1 的值表示强一致性,接近 -1 的值表示强不一致性。 该方法实现了肯德尔 tau 系数的两个变体:tau-b(默认)和 tau-c(也称为 Stuart 的 tau-c)。 它们仅在如何将其归一化为 -1 到 1 范围内有所不同; 假设检验(它们的 p 值)是相同的。 肯德尔最初的 tau-a 没有单独实现,因为在没有联系的情况下,tau-b 和 tau-c 都简化为 tau-a。
- 参数:
- x, yarray_like
排序的数组,形状相同。 如果数组不是 1 维的,它们将被展平为 1 维。
- nan_policy{‘propagate’, ‘omit’, ‘raise’}
定义如何处理输入 NaN。
propagate
: 如果沿计算统计量的轴切片(例如,行)中存在 NaN,则输出的相应条目将为 NaN。omit
: 执行计算时将省略 NaN。 如果沿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
。
- method{‘auto’, ‘asymptotic’, ‘exact’}, optional
定义用于计算 p 值的的方法 [5]. 以下选项可用(默认为 ‘auto’)
‘auto’: 基于速度和准确性之间的权衡选择适当的方法
‘asymptotic’: 使用适用于大样本的正态近似
‘exact’: 计算精确的 p 值,但只有在没有联系的情况下才能使用。 随着样本量的增加,“exact”计算时间可能会增加,并且结果可能会失去一些精度。
- variant{‘b’, ‘c’}, optional
定义返回的肯德尔 tau 系数的变体。 默认为 ‘b’。
- alternative{‘two-sided’, ‘less’, ‘greater’}, optional
定义备择假设。 默认为 ‘two-sided’。 以下选项可用
‘two-sided’: 等级相关性非零
‘less’: 等级相关性为负(小于零)
‘greater’: 等级相关性为正(大于零)
- axisint 或 None, 默认: None
如果为 int,则为要计算统计量的输入的轴。 输入的每个轴切片(例如,行)的统计量将显示在输出的相应元素中。 如果为
None
,则在计算统计量之前将输入展开。- keepdimsbool, 默认: False
如果将其设置为 True,则缩小的轴将保留在结果中,作为大小为 1 的维度。 使用此选项,结果将正确地广播到输入数组中。
- 返回:
- resSignificanceResult
包含属性的对象
- statisticfloat
tau 统计量。
- pvaluefloat
假设检验的 p 值,其零假设是不存在关联,tau = 0。
- 引发:
- ValueError
如果 nan_policy 为 ‘omit’ 且 variant 不为 ‘b’,或者如果 method 为 ‘exact’ 且 x 和 y 之间存在联系。
参见
spearmanr
计算 Spearman 等级顺序相关系数。
theilslopes
计算一组点 (x, y) 的 Theil-Sen 估计量。
weightedtau
计算肯德尔 tau 系数的加权版本。
- 肯德尔 tau 检验
扩展示例
说明
使用的肯德尔 tau 系数的定义是 [2]
tau_b = (P - Q) / sqrt((P + Q + T) * (P + Q + U)) tau_c = 2 (P - Q) / (n**2 * (m - 1) / m)
其中 P 是和谐对的数量,Q 是不和谐对的数量,T 是仅在 x 中存在的联系对的数量,U 是仅在 y 中存在的联系对的数量。 如果 x 和 y 中同一对出现联系,则不会将其添加到 T 或 U。 n 是样本总数,m 是 x 或 y 中唯一值的数量,以较小者为准。
从 SciPy 1.9 开始,在执行计算之前,
np.matrix
输入(不建议用于新代码)将转换为np.ndarray
。 在这种情况下,输出将是标量或适当形状的np.ndarray
,而不是 2Dnp.matrix
。 同样,虽然忽略了屏蔽数组的屏蔽元素,但输出将是标量或np.ndarray
,而不是mask=False
的屏蔽数组。参考文献
[1]Maurice G. Kendall, “A New Measure of Rank Correlation”, Biometrika Vol. 30, No. 1/2, pp. 81-93, 1938.
[2]Maurice G. Kendall, “The treatment of ties in ranking problems”, Biometrika Vol. 33, No. 3, pp. 239-251. 1945.
[3]Gottfried E. Noether, “Elements of Nonparametric Statistics”, John Wiley & Sons, 1967.
[4]Peter M. Fenwick, “A new data structure for cumulative frequency tables”, Software: Practice and Experience, Vol. 24, No. 3, pp. 327-336, 1994.
[5]Maurice G. Kendall, “Rank Correlation Methods” (4th Edition), Charles Griffin & Co., 1970.
示例
>>> from scipy import stats >>> x1 = [12, 2, 1, 12, 2] >>> x2 = [1, 4, 7, 1, 0] >>> res = stats.kendalltau(x1, x2) >>> res.statistic -0.47140452079103173 >>> res.pvalue 0.2827454599327748
有关更详细的示例,请参见 肯德尔 tau 检验。