SigmaClippedStats#
- class astropy.stats.sigma_clipping.SigmaClippedStats(data: ArrayLike, *, mask: NDArray | None = None, mask_value: float | None = None, sigma: float = 3.0, sigma_lower: float | None = None, sigma_upper: float | None = None, maxiters: int = 5, cenfunc: Literal['median', 'mean'] | Callable = 'median', stdfunc: Literal['std', 'mad_std'] | Callable = 'std', axis: int | tuple[int, ...] | None = None, grow: float | Literal[False] | None = False)[源代码]#
基类：
object类计算所提供数据的西格玛修剪统计量。
- 参数:
- data : array_like 或
MaskedArrayNumPy：ARRAY_LIKE或Masked数组 可以转换为数组的数据数组或对象。
- mask :
numpy.ndarray(bool )，可选努比·恩达雷（bool），可选 与形状相同的布尔掩码
data，其中aTrue值指示的相应元素data戴着面具。在计算统计信息时，屏蔽像素被排除在外。- mask_value :
float，可选Python：Float，可选 数据值(例如，
0.0)，在计算统计数据时被忽略。mask_value除了任何输入外，还将被屏蔽mask。- 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 - sigma_upper :
float或None，可选PYTHON：FLOAT或PYTHON：无，可选 - 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。- 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。
- data : array_like 或
笔记
最佳性能通常通过设置来获得
cenfunc和stdfunc指定为字符串的内置函数之一。如果将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项，则在某些情况下， bottleneck 包已安装。为了保持准确性，瓶颈仅用于float 64计算。方法总结
biweight_location([c, M])计算数据的双权重位置。
biweight_scale([c, M])计算数据的双权重标度。
mad_std()计算基于数据标准差的中位数绝对偏差（MAD）。
max()计算数据的最大值。
mean()计算数据的平均值。
median()计算数据的中位数。
min()计算最小数据。
mode([median_factor, mean_factor])使用以下形式的估计器计算数据的模式
(median_factor * median) - (mean_factor * mean).std([ddof])计算数据的标准差。
sum()计算数据的总和。
var([ddof])计算数据的方差。
方法文件
- biweight_location(c: float = 6.0, M: float | None = None) float | NDArray[源代码]#
计算数据的双权重位置。
NaN值被忽略。
- mode(median_factor: float = 3.0, mean_factor: float = 2.0) float | NDArray[源代码]#
使用以下形式的估计器计算数据的模式
(median_factor * median) - (mean_factor * mean).NaN值被忽略。