sigma_clip#

astropy.stats.sigma_clip(data, sigma=3, sigma_lower=None, sigma_upper=None, maxiters=5, cenfunc='median', stdfunc='std', axis=None, masked=True, return_bounds=False, copy=True, grow=False)[源代码]#

对提供的数据执行sigma裁剪。

数据将被迭代，每次拒绝小于或大于中心值的指定数量标准偏差的值。

剪裁（拒绝）像素是指：

data < center - (sigma_lower * std)
data > center + (sigma_upper * std)

其中：：

center = cenfunc(data [, axis=])
std = stdfunc(data [, axis=])

无效的数据值（即NaN或inf）会自动被剪裁。

有关sigma裁剪的面向对象接口，请参见 SigmaClip .

备注

scipy.stats.sigmaclip 提供此类中的功能子集。此外，它的输入数据不能是掩码数组，并且它不处理包含无效值(即NaN或Inf)的数据。另请注意，它使用平均值作为居中函数。的等效设置 scipy.stats.sigmaclip 是：：

sigma_clip(sigma=4., cenfunc='mean', maxiters=None, axis=None,
...        masked=False, return_bounds=True)

参数:

data : array_like 或 MaskedArrayNumPy：ARRAY_LIKE或Masked数组: 要进行西格玛裁剪的数据。
sigma : float ，可选Python：Float，可选: 用于剪裁下限和上限的标准差的数目。这些限制被以下各项覆盖 sigma_lower 和 sigma_upper ，如果输入。默认值为3。
sigma_lower : float 或 None ，可选PYTHON：FLOAT或PYTHON：无，可选: 用作剪裁限制下限的标准差数。如果 None 那么它的价值 sigma 使用的是。缺省值为 None 。
sigma_upper : float 或 None ，可选PYTHON：FLOAT或PYTHON：无，可选: 用作剪裁限制上限的标准差数。如果 None 那么它的价值 sigma 使用的是。缺省值为 None 。
maxiters : int 或 None ，可选PYTHON：INT或PYTHON：NONE，可选: 要执行的最大西格玛修剪迭代次数或 None 进行剪裁，直到达到收敛(即，迭代直到最后一次迭代不剪裁任何内容)。如果在此之前实现收敛 maxiters 迭代，则剪裁迭代将停止。默认值为5。
cenfunc : {'median', 'mean'} or callable() ，可选{‘中位数’，‘平均值’}或: 用于计算剪裁中心值的统计或可调用函数/对象。如果使用可调用的函数/对象并且 axis 关键字，则它必须能够忽略NAN(例如， numpy.nanmean )并且它必须有一个 axis 关键字返回删除了轴维的数组。缺省值为 'median' 。
stdfunc : {'std', 'mad_std'} or callable() ，可选{‘std’，‘MAD_std’}或: 用于计算关于中心值的标准偏差的统计或可调用函数/对象。如果使用可调用的函数/对象并且 axis 关键字，则它必须能够忽略NAN(例如， numpy.nanstd )并且它必须有一个 axis 关键字返回删除了轴维的数组。缺省值为 'std' 。
axis : None 或 int 或 tuple 的 int ，可选PYTHON：NONE或PYTHON：INT或PYTHON：PYTHON的元组：INT，可选: 要沿着其西格玛剪裁数据的一个或多个轴。如果 None ，则将使用展平的数据。 axis 被传递给 cenfunc 和 stdfunc 。缺省值为 None 。
masked : bool ，可选可选的布尔: 如果 True ，然后是一个 MaskedArray 返回，其中掩码是 True 用于剪裁的值。如果 False ，然后是一个 ndarray 是返回的。缺省值为 True 。
return_bounds : bool ，可选可选的布尔: 如果 True ，则还将返回最小和最大剪裁边界。
copy : bool ，可选可选的布尔: 如果 True ，然后是 data 数组将被复制。如果 False 和 masked=True ，则返回的掩码数组数据将包含与输入相同的数组 data (如果 data 是一种 ndarray 或 MaskedArray )。如果 False 和 masked=False ，则就地修改输入数据。缺省值为 True 。
grow : float 或 False ，可选Python：Float或False，可选: 遮罩超出剪裁限制的相邻像素的半径（仅适用于 axis ，如果指定）。例如，对于2D图像，值为1将在每个偏差像素周围以交叉模式遮罩最近的像素，而1.5也将拒绝最近的对角线邻域，依此类推。

返回:

result : array_likeNumpy：ARRAY_LIKE

如果 masked=True 然后 MaskedArray 返回，掩码所在的位置 True 对于剪裁的值和输入掩码所在的位置 True .

如果 masked=False 然后 ndarray 返回。

如果 return_bounds=True ，则除了上述屏蔽数组或数组外，还返回最小和最大剪裁边界。

如果 masked=False 和 axis=None ，则输出数组是扁平化的1D ndarray 其中剪裁的值已被删除。如果 return_bounds=True 则返回的最小和最大阈值为标量。

如果 masked=False 和 axis 是指定的，则输出 ndarray 将具有与输入相同的形状 data 并包含 np.nan 价值被削减的地方。如果输入 data 是一个掩码数组，然后输出 ndarray 还将包含 np.nan 输入掩码的位置 True 。如果 return_bounds=True 则返回的最小和最大裁剪阈值将为 ndarray s.

参见

SigmaClip, sigma_clipped_stats

笔记

最佳性能通常通过设置 cenfunc 和 stdfunc 指定为字符串的其中一个内置函数。如果其中一个选项设置为字符串，而另一个选项具有自定义可调用对象，则在某些情况下，如果使用 bottleneck 已安装软件包。

实例

此示例使用来自高斯分布的随机变量的数据数组。我们剪裁距离中值超过2个样本标准差的所有点。结果是一个掩码数组，其中掩码是 True 对于剪裁数据：：

>>> from astropy.stats import sigma_clip
>>> from numpy.random import randn
>>> randvar = randn(10000)
>>> filtered_data = sigma_clip(randvar, sigma=2, maxiters=5)

此示例剪辑相对于样本大于3西格玛的所有点 mean ，剪辑直到收敛，返回无掩码 ndarray ，并且不复制数据：

>>> from astropy.stats import sigma_clip
>>> from numpy.random import randn
>>> from numpy import mean
>>> randvar = randn(10000)
>>> filtered_data = sigma_clip(randvar, sigma=3, maxiters=None,
...                            cenfunc=mean, masked=False, copy=False)

此示例西格玛沿一个轴夹：

>>> from astropy.stats import sigma_clip
>>> from numpy.random import normal
>>> from numpy import arange, diag, ones
>>> data = arange(5) + normal(0., 0.05, (5, 5)) + diag(ones(5))
>>> filtered_data = sigma_clip(data, sigma=2.3, axis=0)

请注意，沿另一个轴，不会剪裁任何点，因为标准偏差更高。