Ctrl+K

biweight_midcorrelation#

astropy.stats.biweight_midcorrelation(x, y, c=9.0, M=None, modify_sample_size=False)[源代码]#

计算两个变量之间的双权中间相关。

这个 biweight midcorrelation 是样本之间相似性的度量。计算公式如下：

\[\begin{split}r{bicorr}=\frac{\zeta{xy}}{\sqrt{\zeta{xx}\\zeta{yy}}}}\end{split}\]

在哪里？ \(\zeta_{{xx}}\) 是 \(x\) ， \(\zeta_{{yy}}\) 是 \(y\) 和 \(\zeta_{{xy}}\) 是 \(x\) 和 \(y\) .

参数:
x, y : 1D array_like1D array_like

两个变量的输入数组。 x 和 y 必须是1D数组并且具有相同数量的元素。

c : float ，可选Python：Float，可选

双权重估计器的调整常数（默认值=9.0）。看到了吗 biweight_midcovariance 了解更多详细信息。

M : float 或 array_like ，可选PYTHON：FLOAT或NumPY：ARRAY_LIKE，可选

位置估计。如果 M 是标量值，则其值将用于整个数组（或沿每个数组使用 axis ，如果指定）。如果 M 是一个数组，那么它必须是一个数组，其中包含每个数组的位置估计值 axis 输入数组的。如果 None （默认），则将使用输入数组的中值（或沿每个数组） axis ，如果指定）。看到了吗 biweight_midcovariance 了解更多详细信息。

modify_sample_size : bool ，可选可选的布尔

如果 False （默认），则使用的样本大小是数组中（或沿输入方向）的元素总数 axis ，如果指定），则遵循双权中协方差的标准定义。如果 True ，然后减小样本量以校正任何拒绝值（即所使用的样本量仅包括非拒绝值），这将导致对于小样本量或大量拒绝值而言更接近真实的协方差中间值。看到了吗 biweight_midcovariance 了解更多详细信息。

返回:
biweight_midcorrelation : floatPython ：浮点

二者之间的体重中间相关 x 和 y .

参见

biweight_scale, biweight_midvariance, biweight_midcovariance, biweight_location

工具书类

实例

计算两个变量之间的双权中间相关：

>>> import numpy as np
>>> from astropy.stats import biweight_midcorrelation
>>> rng = np.random.default_rng(12345)
>>> x = rng.normal(0, 1, 200)
>>> y = rng.normal(0, 3, 200)
>>> # Introduce an obvious outlier
>>> x[0] = 30.0
>>> bicorr = biweight_midcorrelation(x, y)
>>> print(bicorr)  
-0.09203238319481295
Edit on GitHub