Python SciPy stats.iqr用法及代码示例

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

用法:

scipy.stats.iqr(x, axis=None, rng=(25, 75), scale=1.0, nan_policy='propagate', interpolation='linear', keepdims=False)#

沿指定轴计算数据的四分位数范围。

四分位距 (IQR) 是数据的第 75 个百分位和第 25 个百分位之间的差异。它是一种类似于标准偏差或方差的离散度度量，但对异常值更加稳健[2]。

rng 参数允许此函数计算除实际 IQR 之外的其他百分位数范围。例如，设置 rng=(0, 100) 等效于 numpy.ptp 。

空数组的 IQR 是 np.nan。

参数 ：：

x： array_like

可以转换为数组的输入数组或对象。

axis： int 或无，默认：无

如果是 int，则计算统计量的输入轴。输入的每个axis-slice(例如行)的统计信息将出现在输出的相应元素中。如果 None ，输入将在计算统计数据之前被分解。

rng： 包含 [0,100] 范围内的浮点数的二元素序列可选

计算范围的百分位数。每个必须介于 0 和 100 之间，包括 0 和 100。默认值为真正的 IQR：(25, 75)。元素的顺序并不重要。

scale： 实数的标量或 str 或 数组，可选

比例数值将从最终结果中除掉。还可以识别以下字符串值：

• ‘normal’ : Scale by \(2 \sqrt{2} erf^{-1}(\frac{1}{2}) \approx 1.349\).

默认值为 1.0。类数组规模真实数据类型也是允许的，只要它正确地广播到输出，这样out / scale是一个有效的操作。输出维度取决于输入数组，x， 这轴参数，以及保持昏暗旗帜。

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

定义如何处理输入 NaN。

• propagate ：如果计算统计数据的轴切片(例如行)中存在NaN，则输出的相应条目将为 NaN。

• omit : 计算时将省略NaNs。如果计算统计数据的轴切片中剩余的数据不足，则输出的相应条目将为 NaN。

• raise ：如果存在 NaN，则会引发 ValueError。

interpolation： str，可选

指定当百分位边界位于两个数据点 i 和 j 之间时要使用的插值方法。以下选项可用(默认为‘linear’)：

• ‘linear’: i + (j - i)*fraction, where fraction is the fractional part of the index surrounded by i and j.

• ‘lower’: i.

• ‘higher’: j.

• ‘nearest’: i or j whichever is nearest.

• ‘midpoint’: (i + j)/2.

对于NumPy >= 1.22.0， numpy.percentile 的method 关键字提供的附加选项也有效。

keepdims： 布尔值，默认值：假

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，结果将针对输入数组正确广播。

返回 ：：

iqr： 标量或 ndarray

如果 axis=None ，则返回一个标量。如果输入包含精度小于 np.float64 的整数或浮点数，则输出数据类型为 np.float64 。否则，输出数据类型与输入数据类型相同。

注意：

从 SciPy 1.9 开始，np.matrix 输入(不建议用于新代码)在执行计算之前转换为 np.ndarray。在这种情况下，输出将是标量或适当形状的 np.ndarray 而不是 2D np.matrix 。同样，虽然屏蔽数组的屏蔽元素被忽略，但输出将是标量或 np.ndarray 而不是带有 mask=False 的屏蔽数组。

参考：

[1]

“Interquartile range” https://en.wikipedia.org/wiki/Interquartile_range

[2]

“强大的规模测量”https://en.wikipedia.org/wiki/Robust_measures_of_scale

[3]

“Quantile” https://en.wikipedia.org/wiki/Quantile

例子：

>>> import numpy as np
>>> from scipy.stats import iqr
>>> x = np.array([[10, 7, 4], [3, 2, 1]])
>>> x
array([[10,  7,  4],
       [ 3,  2,  1]])
>>> iqr(x)
4.0
>>> iqr(x, axis=0)
array([ 3.5,  2.5,  1.5])
>>> iqr(x, axis=1)
array([ 3.,  1.])
>>> iqr(x, axis=1, keepdims=True)
array([[ 3.],
       [ 1.]])