binom_conf_interval(k, n[, ...])
|
二项比例置信区间给定k次成功，n次试验。 |
binned_binom_proportion(x, success[, bins, ...])
|
连续变量的二项比例与区间 x . |
poisson_conf_interval(n[, interval, sigma, ...])
|
在给定观测计数的情况下，泊松参数可信区间。 |
median_absolute_deviation(data[, axis, ...])
|
计算中值绝对偏差（MAD）。 |
mad_std(data[, axis, func, ignore_nan])
|
使用 median absolute deviation (MAD) . |
signal_to_noise_oir_ccd(t, source_eps, ...)
|
计算使用CCD在光学/IR中观察到的光源的信噪比。 |
bootstrap(data[, bootnum, samples, bootfunc])
|
在numpy数组上执行引导重采样。 |
kuiper(data[, cdf, args])
|
计算柯伊伯统计量。 |
kuiper_two(data1, data2)
|
比较两个样本的柯伊伯统计量。 |
kuiper_false_positive_probability(D, N)
|
计算柯伊伯统计量的假阳性概率。 |
cdf_from_intervals(breaks, totals)
|
从一对数组构造一个可调用的分段线性CDF。 |
interval_overlap_length(i1, i2)
|
计算两个间隔的重叠长度。 |
histogram_intervals(n, breaks, totals)
|
分段等权函数的直方图。 |
fold_intervals \(间隔)
|
将加权区间折为区间（0,1）。 |
biweight_location(data[, c, M, axis, ignore_nan])
|
计算重锤位置。 |
biweight_scale(data[, c, M, axis, ...])
|
计算体重秤。 |
biweight_midvariance(data[, c, M, axis, ...])
|
计算双权中方差。 |
biweight_midcovariance(data[, c, M, ...])
|
计算多变量对之间的双权中协方差。 |
biweight_midcorrelation(x, y[, c, M, ...])
|
计算两个变量之间的双权中间相关。 |
sigma_clip(data[, sigma, sigma_lower, ...])
|
对提供的数据执行sigma裁剪。 |
sigma_clipped_stats(data[, mask, ...])
|
根据提供的数据计算sigma裁剪统计。 |
jackknife_resampling \(数据)
|
对numpy数组执行jackknife重采样。 |
jackknife_stats(data, statistic[, ...])
|
根据刀切重采样执行刀切估计。 |
circmean(data[, axis, weights])
|
计算循环数据数组的圆平均角。 |
circstd(data[, axis, weights, method])
|
计算循环数据数组的循环标准差。 |
circvar(data[, axis, weights])
|
计算循环数据数组的循环方差。 |
circmoment(data[, p, centered, axis, weights])
|
计算 p -圆数据数组的三角圆矩。 |
circcorrcoef(alpha, beta[, axis, ...])
|
计算两个圆阵数据之间的相关系数。 |
rayleightest(data[, axis, weights])
|
执行瑞利均匀性测试。 |
vtest(data[, mu, axis, weights])
|
执行瑞利一致性检验，假设替代假设H1具有已知的平均角 mu . |
vonmisesmle(data[, axis, weights])
|
计算von-Mises分布参数的极大似然估计（MLE）。 |
bayesian_blocks(t[, x, sigma, fitness])
|
使用斯卡格尔的贝叶斯数据块计算数据的最优分割。 |
histogram(a[, bins, range, weights])
|
增强的直方图功能，提供自适应绑定。 |
scott_bin_width(data[, return_bins])
|
使用斯科特规则返回最佳直方图箱宽。 |
freedman_bin_width(data[, return_bins])
|
使用Freedman-Diaconis规则返回最佳直方图箱宽。 |
knuth_bin_width(data[, return_bins, quiet])
|
使用Knuth规则返回最佳直方图库宽度。 |
calculate_bin_edges(a[, bins, range, weights])
|
计算直方图箱边，如下所示 numpy.histogram_bin_edges 。 |
bayesian_info_criterion(log_likelihood, ...)
|
计算贝叶斯信息准则（BIC），给出在估计（或分析推导）参数下评估的似然函数的对数、参数的数量和样本的数量。 |
bayesian_info_criterion_lsq(ssr, n_params, ...)
|
假设观测值来自高斯分布，计算贝叶斯信息准则（BIC）。 |
akaike_info_criterion(log_likelihood, ...)
|
计算Akaike信息准则（AIC）。 |
akaike_info_criterion_lsq(ssr, n_params, ...)
|
假设观测值为高斯分布，计算Akaike信息准则。 |
