scipy.stats.relfreq¶

scipy.stats.relfreq(a, numbins=10, defaultreallimits=None, weights=None)[源代码]¶

使用直方图函数返回相对频率直方图。

相对频率直方图是每个箱中的观测值相对于总观测值的映射。

参数

aarray_like: 输入数组。
numbins整型，可选: 用于直方图的仓位数。默认值为10。
defaultreallimits元组(下、上)，可选: 直方图范围的下限和上限。如果未给定值，则使用略大于a中的值范围的范围。具体地说， (a.min() - s, a.max() + s) ，在哪里 s = (1/2)(a.max() - a.min()) / (numbins - 1) 。
weightsARRAY_LIKE，可选: 中每个值的权重 a 。默认值为None，即为每个值赋予1.0的权重

退货

frequencyndarray: 相对频率的入库值。
lowerlimit浮动: 实际下限。
binsize浮动: 每个存储箱的宽度。
extrapoints集成: 加分。

示例

>>> import matplotlib.pyplot as plt
>>> from numpy.random import default_rng
>>> from scipy import stats
>>> rng = default_rng()
>>> a = np.array([2, 4, 1, 2, 3, 2])
>>> res = stats.relfreq(a, numbins=4)
>>> res.frequency
array([ 0.16666667, 0.5       , 0.16666667,  0.16666667])
>>> np.sum(res.frequency)  # relative frequencies should add up to 1
1.0

创建具有1000个随机值的正态分布

>>> samples = stats.norm.rvs(size=1000, random_state=rng)

计算相对频率

>>> res = stats.relfreq(samples, numbins=25)

计算x的值空间

>>> x = res.lowerlimit + np.linspace(0, res.binsize*res.frequency.size,
...                                  res.frequency.size)

绘制相对频率直方图

>>> fig = plt.figure(figsize=(5, 4))
>>> ax = fig.add_subplot(1, 1, 1)
>>> ax.bar(x, res.frequency, width=res.binsize)
>>> ax.set_title('Relative frequency histogram')
>>> ax.set_xlim([x.min(), x.max()])

>>> plt.show()

scipy.stats.scoreatpercentile

scipy.stats.binned_statistic