Python numpy nanpercentile用法及代码示例

本文简要介绍 python 语言中 numpy.nanpercentile 的用法。

用法:

numpy.nanpercentile(a, q, axis=None, out=None, overwrite_input=False, method='linear', keepdims=<no value>, *, interpolation=None)

计算沿指定轴的数据的第 q 个百分位数，同时忽略 nan 值。

返回数组元素的第 q 个百分位数。

参数：

a： array_like

可以转换为数组的输入数组或对象，包含要忽略的 nan 值。

q： 类似浮点数的数组

要计算的百分位数或百分位数序列，必须介于 0 和 100 之间。

axis： {int，int 元组，无}，可选

计算百分位数的一个或多个轴。默认值是沿阵列的展平版本计算百分位数。

out： ndarray，可选

用于放置结果的替代输出数组。它必须具有与预期输出相同的形状和缓冲区长度，但如有必要，将强制转换(输出的)类型。

overwrite_input： 布尔型，可选

如果为 True，则允许通过中间计算修改输入数组 a，以节省内存。在这种情况下，该函数完成后输入 a 的内容是未定义的。

method： str，可选

此参数指定用于估计百分位数的方法。有许多不同的方法，其中一些是 NumPy 独有的。请参阅注释以获取解释。 H&F; 论文 [1] 中总结的按 R 类型排序的选项为：

1. ‘inverted_cdf’

2. ‘averaged_inverted_cdf’

3. ‘closest_observation’

4. ‘interpolated_inverted_cdf’

5. ‘hazen’

6. ‘weibull’

7. ‘linear’(默认)

8. ‘median_unbiased’

9. ‘normal_unbiased’

前三种方法是不连续的。 NumPy 进一步定义了默认 ‘linear’ (7.) 选项的以下不连续变体：

• ‘lower’

• ‘higher’,

• ‘midpoint’

• ‘nearest’

keepdims： 布尔型，可选

如果将其设置为 True，则缩小的轴将作为尺寸为 1 的尺寸留在结果中。使用此选项，结果将针对原始数组 a 正确广播。

如果这不是默认值，它将被传递(在空数组的特殊情况下)到numpy.mean底层数组的函数。如果数组是 sub-class 并且numpy.mean没有kwarg保持昏暗这将引发运行时错误。

interpolation： str，可选

方法关键字参数的已弃用名称。

返回：

percentile： 标量或 ndarray

如果q是一个百分位数并且轴=无, 那么结果是一个标量。如果给出多个百分位数，则结果的第一个轴对应于百分位数。其他轴是减少后剩余的轴a.如果输入包含整数或浮点数小于float64，输出数据类型为float64.否则，输出数据类型与输入数据类型相同。如果out指定，则返回该数组。

注意：

有关更多信息，请参阅 numpy.percentile

参考：

1：

R. J. Hyndman 和 Y. Fan，“统计包中的样本分位数”，美国统计学家，50(4)，第 361-365 页，1996

例子：

>>> a = np.array([[10., 7., 4.], [3., 2., 1.]])
>>> a[0][1] = np.nan
>>> a
array([[10.,  nan,   4.],
      [ 3.,   2.,   1.]])
>>> np.percentile(a, 50)
nan
>>> np.nanpercentile(a, 50)
3.0
>>> np.nanpercentile(a, 50, axis=0)
array([6.5, 2. , 2.5])
>>> np.nanpercentile(a, 50, axis=1, keepdims=True)
array([[7.],
       [2.]])
>>> m = np.nanpercentile(a, 50, axis=0)
>>> out = np.zeros_like(m)
>>> np.nanpercentile(a, 50, axis=0, out=out)
array([6.5, 2. , 2.5])
>>> m
array([6.5,  2. ,  2.5])

>>> b = a.copy()
>>> np.nanpercentile(b, 50, axis=1, overwrite_input=True)
array([7., 2.])
>>> assert not np.all(a==b)