scipy.stats.

yeojohnson

scipy.stats.yeojohnson(x, lmbda=None)

使用 Yeo-Johnson 幂转换返回转换后的数据集。

参数:

xndarray

输入数组。应为一维。

lmbdafloat，可选

如果 lmbda 为 None，则找到使对数似然函数最大化的 lambda，并将其作为第二个输出参数返回。否则，将根据给定值完成转换。

返回值:

yeojohnson: ndarray

Yeo-Johnson 幂变换数组。

maxlogfloat，可选

如果 lmbda 参数为 None，则返回的第二个参数为使对数似然函数最大化的 lambda。

请参阅

probplot、yeojohnson_normplot、yeojohnson_normmax、yeojohnson_llf、boxcox

备注

Yeo-Johnson 变换的公式如下所示

y = ((x + 1)**lmbda - 1) / lmbda,                for x >= 0, lmbda != 0
    log(x + 1),                                  for x >= 0, lmbda = 0
    -((-x + 1)**(2 - lmbda) - 1) / (2 - lmbda),  for x < 0, lmbda != 2
    -log(-x + 1),                                for x < 0, lmbda = 2

与boxcox不同，yeojohnson不要求输入数据必须为正。

在版本 1.2.0 中添加。

参考文献

I. Yeo 和 R.A. Johnson，“用于提高正态性或对称性的一系列新的幂变换”，Biometrika 87.4 (2000)

示例

在浏览器中尝试！

>>> from scipy import stats
>>> import matplotlib.pyplot as plt

我们从一个非正态分布中生成一些随机变量，并为其绘制一个概率图，以显示其在尾部为非正态

>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(211)
>>> x = stats.loggamma.rvs(5, size=500) + 5
>>> prob = stats.probplot(x, dist=stats.norm, plot=ax1)
>>> ax1.set_xlabel('')
>>> ax1.set_title('Probplot against normal distribution')

我们现在使用yeojohnson转换数据，使其最接近正态

>>> ax2 = fig.add_subplot(212)
>>> xt, lmbda = stats.yeojohnson(x)
>>> prob = stats.probplot(xt, dist=stats.norm, plot=ax2)
>>> ax2.set_title('Probplot after Yeo-Johnson transformation')

>>> plt.show()

返回在选项卡中打开