Python SciPy stats.iqr用法及代碼示例

本文簡要介紹 python 語言中 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)#

沿指定軸計算數據的四分位數範圍。

四分位距 (IQR) 是數據的第 75 個百分位和第 25 個百分位之間的差異。它是一種類似於標準偏差或方差的離散度度量，但對異常值更加穩健[2]。

rng 參數允許此函數計算除實際 IQR 之外的其他百分位數範圍。例如，設置 rng=(0, 100) 等效於 numpy.ptp 。

空數組的 IQR 是 np.nan。

參數 ：：

x： array_like

可以轉換為數組的輸入數組或對象。

axis： int 或無，默認：無

如果是 int，則計算統計量的輸入軸。輸入的每個axis-slice(例如行)的統計信息將出現在輸出的相應元素中。如果 None ，輸入將在計算統計數據之前被分解。

rng： 包含 [0,100] 範圍內的浮點數的二元素序列可選

計算範圍的百分位數。每個必須介於 0 和 100 之間，包括 0 和 100。默認值為真正的 IQR：(25, 75)。元素的順序並不重要。

scale： 實數的標量或 str 或 數組，可選

比例數值將從最終結果中除掉。還可以識別以下字符串值：

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

默認值為 1.0。類數組規模真實數據類型也是允許的，隻要它正確地廣播到輸出，這樣out / scale是一個有效的操作。輸出維度取決於輸入數組，x， 這軸參數，以及保持昏暗旗幟。

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

定義如何處理輸入 NaN。

• propagate ：如果計算統計數據的軸切片(例如行)中存在NaN，則輸出的相應條目將為 NaN。

• omit : 計算時將省略NaNs。如果計算統計數據的軸切片中剩餘的數據不足，則輸出的相應條目將為 NaN。

• raise ：如果存在 NaN，則會引發 ValueError。

interpolation： str，可選

指定當百分位邊界位於兩個數據點 i 和 j 之間時要使用的插值方法。以下選項可用(默認為‘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.

對於NumPy >= 1.22.0， numpy.percentile 的method 關鍵字提供的附加選項也有效。

keepdims： 布爾值，默認值：假

如果將其設置為 True，則縮小的軸將作為尺寸為 1 的尺寸留在結果中。使用此選項，結果將針對輸入數組正確廣播。

返回 ：：

iqr： 標量或 ndarray

如果 axis=None ，則返回一個標量。如果輸入包含精度小於 np.float64 的整數或浮點數，則輸出數據類型為 np.float64 。否則，輸出數據類型與輸入數據類型相同。

注意：

從 SciPy 1.9 開始，np.matrix 輸入(不建議用於新代碼)在執行計算之前轉換為 np.ndarray。在這種情況下，輸出將是標量或適當形狀的 np.ndarray 而不是 2D np.matrix 。同樣，雖然屏蔽數組的屏蔽元素被忽略，但輸出將是標量或 np.ndarray 而不是帶有 mask=False 的屏蔽數組。

參考：

[1]

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

[2]

“強大的規模測量”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.]])