掩码数组的统计函数 (scipy.stats.mstats)

此模块包含大量可用于掩码数组的统计函数。

这些函数中的大多数与 scipy.stats 中的函数类似，但在 API 或使用的算法上可能存在细微差异。由于这是一个相对较新的软件包，一些 API 更改仍然是可能的。

汇总统计

describe(a[, axis, ddof, bias])	计算传递数组的几个描述性统计量。
gmean(a[, axis, dtype, weights, nan_policy, ...])	计算指定轴上的加权几何平均值。
hmean(a[, axis, dtype, weights, nan_policy, ...])	计算指定轴上的加权调和平均值。
kurtosis(a[, axis, fisher, bias])	计算数据集的峰度（Fisher 或 Pearson）。
mode(a[, axis])	返回传递数组中模态（最常见）值的数组。
mquantiles(a[, prob, alphap, betap, axis, limit])	计算数据数组的经验分位数。
hdmedian(data[, axis, var])	返回给定轴上中值的 Harrell-Davis 估计值。
hdquantiles(data[, prob, axis, var])	使用 Harrell-Davis 方法计算分位数估计值。
hdquantiles_sd(data[, prob, axis])	通过刀切法计算 Harrell-Davis 分位数估计的标准误差。
idealfourths(data[, axis])	返回下四分位数和上四分位数的估计值。
plotting_positions(data[, alpha, beta])	返回数据的绘图位置（或经验百分位数点）。
meppf(data[, alpha, beta])	返回数据的绘图位置（或经验百分位数点）。
moment(a[, moment, axis])	计算样本均值的第 n 阶中心矩。
skew(a[, axis, bias])	计算数据集的偏度。
tmean(a[, limits, inclusive, axis])	计算截断均值。
tvar(a[, limits, inclusive, axis, ddof])	计算截断方差。
tmin(a[, lowerlimit, axis, inclusive])	计算截断最小值。
tmax(a[, upperlimit, axis, inclusive])	计算截断最大值。
tsem(a[, limits, inclusive, axis, ddof])	计算截断均值的标准误差。
variation(a[, axis, ddof])	计算变异系数。
find_repeats(arr)	查找 arr 中的重复项，并返回一个元组 (repeats, repeat_count)。
sem(a[, axis, ddof])	计算输入数组均值的标准误差。
trimmed_mean(a[, limits, inclusive, ...])	返回给定轴上数据的截断均值。
trimmed_mean_ci(data[, limits, inclusive, ...])	给定轴上截断均值的选定置信区间。
trimmed_std(a[, limits, inclusive, ...])	返回给定轴上数据的截断标准差。
trimmed_var(a[, limits, inclusive, ...])	返回给定轴上数据的截断方差。

频率统计

scoreatpercentile(data, per[, limit, ...])

计算序列 a 中给定 'per' 百分位的分数。

相关函数

f_oneway(*args)	执行单因素方差分析，返回 F 值和给定任意数量组的概率。
pearsonr(x, y)	皮尔逊相关系数和检验非相关的 p 值。
spearmanr(x[, y, use_ties, axis, ...])	计算斯皮尔曼等级相关系数和检验非相关的 p 值。
pointbiserialr(x, y)	计算点二列相关系数及其 p 值。
kendalltau(x, y[, use_ties, use_missing, ...])	计算两个变量 *x* 和 *y* 的肯德尔等级相关 tau。
kendalltau_seasonal(x)	计算季节性数据的多元 Kendall 等级相关 tau。
linregress(x[, y])	计算两组测量的线性最小二乘回归。
siegelslopes(y[, x, method])	计算一组点 (x, y) 的 Siegel 估计量。
theilslopes(y[, x, alpha, method])	计算一组点 (x, y) 的 Theil-Sen 估计量。
sen_seasonal_slopes(x)	计算季节性 Theil-Sen 和 Kendall 斜率估计量。

统计检验

ttest_1samp(a, popmean[, axis, alternative])	计算单个样本得分均值的 T 检验。
ttest_onesamp(a, popmean[, axis, alternative])	计算单个样本得分均值的 T 检验。
ttest_ind(a, b[, axis, equal_var, alternative])	计算两个独立样本得分均值的 T 检验。
ttest_rel(a, b[, axis, alternative])	计算两个相关样本得分 a 和 b 的 T 检验。
chisquare(f_obs[, f_exp, ddof, axis, sum_check])	执行皮尔逊卡方检验。
kstest(data1, data2[, args, alternative, method])	参数:
ks_2samp(data1, data2[, alternative, method])	计算两个样本的 Kolmogorov-Smirnov 检验。
ks_1samp(x, cdf[, args, alternative, method])	计算一个掩码值样本的 Kolmogorov-Smirnov 检验。
ks_twosamp(data1, data2[, alternative, method])	计算两个样本的 Kolmogorov-Smirnov 检验。
mannwhitneyu(x, y[, use_continuity])	计算 Mann-Whitney 统计量
rankdata(data[, axis, use_missing])	返回给定轴上每个数据点的等级（也称为顺序统计量）。
kruskal(*args)	计算独立样本的 Kruskal-Wallis H 检验
kruskalwallis(*args)	计算独立样本的 Kruskal-Wallis H 检验
friedmanchisquare(*args)	Friedman 卡方检验是一种非参数的、单因素受试者内方差分析。
brunnermunzel(x, y[, alternative, distribution])	计算样本 x 和 y 的 Brunner-Munzel 检验。
skewtest(a[, axis, alternative])	检验偏度是否与正态分布不同。
kurtosistest(a[, axis, alternative])	检验数据集是否具有正态峰度
normaltest(a[, axis])	检验样本是否与正态分布不同。

变换

obrientransform(*args)	计算输入数据（任意列数）的变换。
trim(a[, limits, inclusive, relative, axis])	通过屏蔽给定限制之外的数据来修剪数组。
trima(a[, limits, inclusive])	通过屏蔽给定限制之外的数据来修剪数组。
trimmed_stde(a[, limits, inclusive, axis])	返回给定轴上修剪平均值的标准误差。
trimr(a[, limits, inclusive, axis])	通过屏蔽每一端的部分数据来修剪数组。
trimtail(data[, proportiontocut, tail, ...])	通过屏蔽一尾的值来修剪数据。
trimboth(data[, proportiontocut, inclusive, ...])	修剪最小和最大的数据值。
winsorize(a[, limits, inclusive, inplace, ...])	返回输入数组的 Winsorized 版本。
zmap(scores, compare[, axis, ddof, nan_policy])	计算相对 z 分数。
zscore(a[, axis, ddof, nan_policy])	计算 z 分数。

其他

argstoarray(*args)	从一组序列构造一个 2D 数组。
count_tied_groups(x[, use_missing])	计算绑定值的数量。
msign(x)	返回 x 的符号，如果 x 被屏蔽则返回 0。
compare_medians_ms(group_1, group_2[, axis])	比较给定轴上两个独立组的中位数。
median_cihs(data[, alpha, axis])	计算数据中位数 alpha 水平的置信区间。
mjci(data[, prob, axis])	返回数据选定实验分位数的标准误差的 Maritz-Jarrett 估计量。
mquantiles_cimj(data[, prob, alpha, axis])	使用 Maritz-Jarrett 估计量计算数据选定分位数的 alpha 置信区间。
rsh(data[, points])	评估每个数据点的 Rosenblatt 移动直方图估计量。