Ctrl+K
scipy.stats.

ranksums#

scipy.stats.ranksums(x, y, alternative='two-sided', *, axis=0, nan_policy='propagate', keepdims=False)[源代码]#

计算两个样本的 Wilcoxon 秩和统计量。

Wilcoxon 秩和检验检验两个测量值集合是否来自同一分布的零假设。备择假设是一个样本中的值比另一个样本中的值更有可能更大。

此检验应用于比较来自连续分布的两个样本。它不处理 x 和 y 中测量值之间的并列。有关并列处理和可选的连续性校正，请参阅 scipy.stats.mannwhitneyu。

参数:
x,yarray_like

来自两个样本的数据。

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’: 其中一个分布（基础 x 或 y）在随机上大于另一个分布。

  • ‘less’: 基础 x 的分布在随机上小于基础 y 的分布。

  • ‘greater’: 基础 x 的分布在随机上大于基础 y 的分布。

在 1.7.0 版本中添加。

axisint 或 None，默认值：0

如果为 int，则为计算统计量的输入轴。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 None，则输入将在计算统计量之前被展平。

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

定义如何处理输入 NaN。

  • propagate: 如果在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: 在执行计算时将省略 NaN。如果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

如果设置为 True，则减少的轴将作为大小为 1 的维度保留在结果中。使用此选项，结果将正确地广播到输入数组。

返回:
statisticfloat

在大样本近似下，秩和统计量呈正态分布的检验统计量。

pvaluefloat

检验的 p 值。

注释

从 SciPy 1.9 开始，np.matrix 输入（不建议用于新代码）在执行计算之前转换为 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 2D np.matrix。同样，尽管忽略了掩码数组的掩码元素，但输出将是标量或 np.ndarray，而不是 mask=False 的掩码数组。

参考文献

示例

我们可以通过计算 Wilcoxon 秩和统计量来检验两个独立的、大小不等的样本是否来自同一分布的假设。

>>> import numpy as np
>>> from scipy.stats import ranksums
>>> rng = np.random.default_rng()
>>> sample1 = rng.uniform(-1, 1, 200)
>>> sample2 = rng.uniform(-0.5, 1.5, 300) # a shifted distribution
>>> ranksums(sample1, sample2)
RanksumsResult(statistic=-7.887059,
               pvalue=3.09390448e-15) # may vary
>>> ranksums(sample1, sample2, alternative='less')
RanksumsResult(statistic=-7.750585297581713,
               pvalue=4.573497606342543e-15) # may vary
>>> ranksums(sample1, sample2, alternative='greater')
RanksumsResult(statistic=-7.750585297581713,
               pvalue=0.9999999999999954) # may vary

小于 0.05 的 p 值表明此检验以 5% 的显著性水平拒绝该假设。

在此页上