Ctrl+K

biweight_scale#

astropy.stats.biweight_scale(data, c=9.0, M=None, axis=None, modify_sample_size=False, *, ignore_nan=False)[源代码]#

计算体重秤。

双权标度是确定分布标准差的稳健统计。它是 biweight midvariance . 计算公式如下：

\[\zeta_{biscl} = \sqrt{n} \ \frac{\sqrt{\sum_{|u_i| < 1} \ (x_i - M)^2 (1 - u_i^2)^4}} {|(\sum_{|u_i| < 1} \ (1 - u_i^2) (1 - 5u_i^2))|}\]

在哪里？ \(x\) 是输入数据， \(M\) 是样本中值（或输入位置）和 \(u_i\) 计算公式：

\[u{i}=\frac{（x}i-M）}{c*MAD}\]

在哪里？ \(c\) 调谐是否恒定且 \(MAD\) 是 median absolute deviation . 双权中方差调谐常数 c 通常为9.0（默认值）。

如果 \(MAD\) 为零，则返回零。

对于体重秤的标准定义， \(n\) 数组中（或沿输入方向）的总点数 axis ，如果指定）。如果 modify_sample_size 是 False ，这是默认值。

然而，如果 modify_sample_size = True 然后 \(n\) 是指 \(|u_i| < 1\) 不合格的数量，即。

\[n=总和_{ |u_i| <1}\1\]

对于小样本量或大量不合格值，其值更接近真实标准差。

参数:
data : array_likeNumpy：ARRAY_LIKE

可以转换为数组的输入数组或对象。 data 可以是 MaskedArray .

c : float ，可选Python：Float，可选

双权重估计器的调整常数（默认值=9.0）。

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）。

axis : None ， int ，或 tuple 的 int ，可选PYTHON：NONE、PYTHON：INT或PYTHON：TUTPLE OF PYTHON：INT，可选

计算双重秤所沿的轴。如果 None （默认），然后将计算平坦输入数组的双权重比例。

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 ，如有规定），则遵循双重秤的标准定义。如果 True ，然后减少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），这使得小样本量或大量拒绝值的值更接近真实标准差。

ignore_nan : bool ，可选可选的布尔

是否忽略输入中的NaN值 data .

返回:
biweight_scale : float 或 ndarrayPython ：浮点或ndarray

输入数据的双权重刻度。如果 axis 是 None 然后返回一个标量，否则 ndarray 将被退回。

参见

biweight_midvariance, biweight_midcovariance, biweight_location, astropy.stats.mad_std, astropy.stats.median_absolute_deviation

工具书类

[1]

比尔斯、弗林和格哈特（1990；AJ 100、32）(https://ui.adsabs.harvard.edu/abs/1990AJ….100…32B)

实例

从高斯分布生成随机变量，并返回分布的双权重比例：

>>> import numpy as np
>>> from astropy.stats import biweight_scale
>>> rand = np.random.default_rng(12345)
>>> biscl = biweight_scale(rand.standard_normal(1000))
>>> print(biscl)    
1.0239311812635818
Edit on GitHub