Python SciPy stats.skew用法及代码示例

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

用法:

scipy.stats.skew(a, axis=0, bias=True, nan_policy='propagate', *, keepdims=False)#

计算数据集的样本偏度。

对于正态分布的数据，偏度应该大约为零。对于单峰连续分布，偏度值大于零意味着分布的右尾有更多权重。从统计上讲，函数 skewtest 可用于确定偏度值是否足够接近零。

参数 ：：

a： ndarray

输入数组。

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。

bias： 布尔型，可选

如果为 False，则针对统计偏差校正计算。

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 ：：

skewness： ndarray

值沿轴的偏度，返回NaN，其中所有值都相等。

注意：

样本偏度计算为 Fisher-Pearson 偏度系数，即

\[g_1=\frac{m_3}{m_2^{3/2}}\]

其中

\[m_i=\frac{1}{N}\sum_{n=1}^N(x[n]-\bar{x})^i\]

是有偏样本\(i\texttt{th}\)中心矩，\(\bar{x}\)是样本均值。如果 bias 为 False，则对计算进行偏差校正，计算的值是调整后的 Fisher-Pearson 标准化力矩系数，即

\[G_1=\frac{k_3}{k_2^{3/2}}= \frac{\sqrt{N(N-1)}}{N-2}\frac{m_3}{m_2^{3/2}}.\]

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]

Zwillinger, D. 和 Kokoska, S. (2000)。 CRC 标准概率和统计表和公式。查普曼和霍尔：纽约。 2000. 第 2.2.24.1 节

例子：

>>> from scipy.stats import skew
>>> skew([1, 2, 3, 4, 5])
0.0
>>> skew([2, 8, 0, 4, 1, 9, 9, 0])
0.2650554122698573