Python SciPy stats.rankdata用法及代码示例

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

用法:

scipy.stats.rankdata(a, method='average', *, axis=None, nan_policy='propagate')#

为数据分配等级，适当地处理关系。

默认情况下(axis=None)，数据数组首先被展平，然后返回一个平面数组。如果需要，单独将秩数组重塑为数据数组的形状(参见示例)。

排名从 1 开始。方法参数控制如何将等级分配给相等的值。看[1]进一步讨论排名方法。

参数 ：：

a： array_like

要排名的值数组。

method： {‘average’, ‘min’, ‘max’, ‘dense’, ‘ordinal’}，可选

用于为绑定元素分配等级的方法。可以使用以下方法(默认为‘average’)：

• ‘average’: The average of the ranks that would have been assigned to all the tied values is assigned to each value.

• ‘min’: The minimum of the ranks that would have been assigned to all the tied values is assigned to each value. (This is also referred to as “competition” ranking.)

• ‘max’: The maximum of the ranks that would have been assigned to all the tied values is assigned to each value.

• ‘dense’: Like ‘min’, but the rank of the next highest element is assigned the rank immediately after those assigned to the tied elements.

• ‘ordinal’: All values are given a distinct rank, corresponding to the order that the values occur in a.

axis： {无，整数}，可选

执行排名的轴。如果 None ，数据数组首先被展平。

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

定义当输入包含 nan 时如何处理。以下选项可用(默认为‘propagate’)：

• ‘propagate’: propagates nans through the rank calculation

• ‘omit’: performs the calculations ignoring nan values

• ‘raise’: raises an error

注意

当 nan_policy 为 ‘propagate’ 时，输出是所有 nan 的数组，因为相对于输入中 nan 的排名未定义。当nan_policy为‘omit’时，对其他值进行排序时忽略a中的nan，输出的对应位置为nan。

返回 ：：

ranks： ndarray

一个大小等于 a 大小的数组，包含排名分数。

参考：

[1]

“Ranking”、https://en.wikipedia.org/wiki/Ranking

例子：

>>> import numpy as np
>>> from scipy.stats import rankdata
>>> rankdata([0, 2, 3, 2])
array([ 1. ,  2.5,  4. ,  2.5])
>>> rankdata([0, 2, 3, 2], method='min')
array([ 1,  2,  4,  2])
>>> rankdata([0, 2, 3, 2], method='max')
array([ 1,  3,  4,  3])
>>> rankdata([0, 2, 3, 2], method='dense')
array([ 1,  2,  3,  2])
>>> rankdata([0, 2, 3, 2], method='ordinal')
array([ 1,  2,  4,  3])
>>> rankdata([[0, 2], [3, 2]]).reshape(2,2)
array([[1. , 2.5],
      [4. , 2.5]])
>>> rankdata([[0, 2, 2], [3, 2, 5]], axis=1)
array([[1. , 2.5, 2.5],
       [2. , 1. , 3. ]])
>>> rankdata([0, 2, 3, np.nan, -2, np.nan], nan_policy="propagate")
array([nan, nan, nan, nan, nan, nan])
>>> rankdata([0, 2, 3, np.nan, -2, np.nan], nan_policy="omit")
array([ 2.,  3.,  4., nan,  1., nan])