Python SciPy stats.ranksums用法及代码示例

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

用法:

scipy.stats.ranksums(x, y, alternative='two-sided', *, axis=0, nan_policy='propagate', keepdims=False)#

计算两个样本的 Wilcoxon rank-sum 统计量。

Wilcoxon rank-sum 检验检验两组测量值来自同一分布的原假设。另一种假设是一个样本中的值更有可能大于另一个样本中的值。

该检验应用于比较来自连续分布的两个样本。它不处理 x 和 y 中的测量值之间的关系。对于tie-handling 和可选的连续性校正，请参见 scipy.stats.mannwhitneyu 。

参数 ：：

x,y： array_like

来自两个样本的数据。

alternative： {‘双面’，‘less’, ‘greater’}，可选

定义备择假设。默认为“双面”。可以使用以下选项：

• “双面”：其中一个分布(基础 x 或 y)随机大于另一个。

• ‘less’：x 的分布随机小于 y 的分布。

• ‘greater’：x 的分布随机大于 y 的分布。

axis： int 或无，默认值：0

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。

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。

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 ：：

statistic： 浮点数

large-sample 近似下的检验统计量，秩和统计量呈正态分布。

pvalue： 浮点数

检验的 p 值。

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]

https://en.wikipedia.org/wiki/Wilcoxon_rank-sum_test

例子：

我们可以通过计算 Wilcoxon rank-sum 统计量来检验两个独立的 unequal-sized 样本来自同一分布的假设。

>>> import numpy as np
>>> from scipy.stats import ranksums
>>> rng = np.random.default_rng()
>>> sample1 = rng.uniform(-1, 1, 200)
>>> sample2 = rng.uniform(-0.5, 1.5, 300) # a shifted distribution
>>> ranksums(sample1, sample2)
RanksumsResult(statistic=-7.887059, pvalue=3.09390448e-15)  # may vary
>>> ranksums(sample1, sample2, alternative='less')
RanksumsResult(statistic=-7.750585297581713, pvalue=4.573497606342543e-15) # may vary
>>> ranksums(sample1, sample2, alternative='greater')
RanksumsResult(statistic=-7.750585297581713, pvalue=0.9999999999999954) # may vary

p 值小于 0.05 表示此检验拒绝 5% 显著性水平的假设。