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 或所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包，因此某些 API 更改仍然可能。

汇总统计

describe(a[, axis, ddof, bias])	计算传入数组的多种描述性统计量。
gmean(a[, axis, dtype, weights, nan_policy, ...])	沿指定轴计算加权几何平均值。
hmean(a[, axis, dtype, weights, nan_policy, ...])	沿指定轴计算加权调和平均值。
kurtosis(a[, axis, fisher, bias])	计算数据集的峰度（Fisher 或 Pearson）。
mode(a[, axis])	返回传入数组中众数（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])	返回给定轴上中位数的海勒-戴维斯估计值。
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 分位数估计值的标准误差。
idealfourths(data[, axis])	返回下四分位数和上四分位数估计值。
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])	计算样本的关于均值的第 n 阶矩。
skew(a[, axis, bias])	计算数据集的偏度。
tmean(a[, limits, inclusive, axis])	计算截尾均值。
tvar(a[, limits, inclusive, axis, ddof])	计算截尾方差
tmin(a[, lowerlimit, axis, inclusive])	计算截尾最小值
tmax(a[, upperlimit, axis, inclusive])	计算截尾最大值
tsem(a[, limits, inclusive, axis, ddof])	计算截尾均值的标准误差。
variation(a[, axis, ddof])	计算变异系数。
find_repeats(arr)	在 arr 中查找重复项并返回一个元组 (重复项, 重复计数)。
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尾均值。
trimmed_mean_ci(data[, limits, inclusive, ...])	给定轴上截尾均值的选定置信区间。
trimmed_std(a[, limits, inclusive, ...])	返回给定轴上数据的截尾标准差。
trimmed_var(a[, limits, inclusive, ...])	返回给定轴上数据的截尾方差。

频率统计

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

计算序列 a 在给定 'per' 百分位数处的分数。

相关函数

f_oneway(*args)	执行单向 ANOVA，返回任意数量组的 F 值和概率。
pearsonr(x, y)	用于检验不相关的 Pearson 相关系数和 p 值。
spearmanr(x[, y, use_ties, axis, ...])	计算 Spearman 等级相关系数和用于检验不相关的 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 Kendall 等级相关系数 tau。
kendalltau_seasonal(x)	计算多元 Kendall 等级相关系数 tau，用于季节性数据。
linregress(x[, y])	计算两组测量值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])	计算一组分数的均值的 T 检验。
ttest_onesamp(a, popmean[, axis, alternative])	计算一组分数的均值的 T 检验。
ttest_ind(a, b[, axis, equal_var, alternative])	计算两组独立分数样本均值的 T 检验。
ttest_rel(a, b[, axis, alternative])	对两组相关分数样本 a 和 b 执行 T 检验。
chisquare(f_obs[, f_exp, ddof, axis, ...])	执行 Pearson 卡方检验。
kstest(data1, data2[, args, alternative, method])
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秩（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 卡方检验是非参数的，是单向受试者内 ANOVA。
brunnermunzel(x, y[, alternative, distribution])	对样本 x 和 y 执行 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)	对输入数据（任意数量的列）执行变换。
trim(a[, limits, inclusive, relative, axis])	通过掩码超出给定限制的数据来修剪数组。
trima(a[, limits, inclusive])	通过掩码超出给定限制的数据来修剪数组。
trimmed_stde(a[, limits, inclusive, axis])	返回给定轴上截尾均值的标准误差。
trimr(a[, limits, inclusive, axis])	通过掩码每端一定比例的数据来修剪数组。
trimtail(data[, proportiontocut, tail, ...])	通过掩码一个尾部的值来修剪数据。
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二维数组。
count_tied_groups(x[, use_missing])	计算绑定的值数量。
msign(x)	返回 x 的符号，如果 x 被掩码则返回 0。
compare_medians_ms(group_1, group_2[, axis])	比较两个独立组在给定轴上的中位数。
median_cihs(data[, alpha, axis])	计算数据中位数的 alpha 级置信区间。
mjci(data[, prob, axis])	返回数据选定实验分位数标准误差的 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])	计算每个数据点的 Rosenblatt 移位直方图估计量。