Python SciPy stats.gzscore用法及代码示例

本文简要介绍 python 语言中 scipy.stats.gzscore 的用法。

用法:

scipy.stats.gzscore(a, *, axis=0, ddof=0, nan_policy='propagate')#

计算几何标准分数。

计算样本中每个严格正值的几何 z 分数，相对于几何平均值和标准差。在数学上，几何 z 分数可以评估为：

gzscore = log(a/gmu) / log(gsigma)

其中 gmu (resp. gsigma ) 是几何平均值 (resp. 标准差)。

参数 ：：

a： array_like

样本数据。

axis： int 或无，可选

操作的轴。默认值为 0。如果没有，则计算整个数组 a。

ddof： 整数，可选

计算标准偏差时的自由度校正。默认值为 0。

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

定义当输入包含 nan 时如何处理。 ‘propagate’ 返回 nan，‘raise’ 引发错误，‘omit’ 执行忽略 nan 值的计算。默认为‘propagate’。请注意，当值为 ‘omit’ 时，输入中的 nan 也会传播到输出，但它们不会影响为非 nan 值计算的几何 z 分数。

返回 ：：

gzscore： array_like

几何 z 分数，由输入数组 a 的几何平均值和几何标准差标准化。

注意：

此函数保留 ndarray 子类，也适用于矩阵和掩码数组(它使用 asanyarray 而不是 asarray 作为参数)。

参考：

[1]

“Geometric standard score”,维基百科,https://en.wikipedia.org/wiki/Geometric_standard_deviation#Geometric_standard_score.

例子：

从 log-normal 分布中抽取样本：

>>> import numpy as np
>>> from scipy.stats import zscore, gzscore
>>> import matplotlib.pyplot as plt

>>> rng = np.random.default_rng()
>>> mu, sigma = 3., 1.  # mean and standard deviation
>>> x = rng.lognormal(mu, sigma, size=500)

显示样本的直方图：

>>> fig, ax = plt.subplots()
>>> ax.hist(x, 50)
>>> plt.show()

显示由经典 zscore 标准化的样本的直方图。分布被重新调整，但其形状保持不变。

>>> fig, ax = plt.subplots()
>>> ax.hist(zscore(x), 50)
>>> plt.show()

证明几何 zscores 的分布是重新缩放和准正态分布的：

>>> fig, ax = plt.subplots()
>>> ax.hist(gzscore(x), 50)
>>> plt.show()