NumPy(Numerical Python的缩写)是一个开源的Python科学计算库。使用NumPy,就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数,涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍一下NumPy中nanquantile方法的使用。

numpy.nanquantile

numpy.nanquantile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=)    [source]

沿指定轴计算数据的第q个分位数,而忽略nan值。返回数组元素的第q个分位数。

1.15.0版中的新功能。

参数 :

a :array_like

输入数组或可以转换为数组的对象,其中包含要忽略的nan值

q :array_like of float

要计算的分位数或分位数序列,必须在0到1之间(含0和1)。

axis :{int, tuple of int, None}, 可选

用于计算分位数的一个或多个轴。

默认值是沿数组的展平版本计算分位数。

out :ndarray, 可选

用于放置结果的可选输出数组。

它的形状和缓冲区长度必须与预期的输出相同

,但是(必要时)将强制转换(输出的)类型。

overwrite_inputbool, 可选

如果为True,则允许通过中间计算来修改输入数组a,

以节省内存。在这种情况下,

此功能完成后输入a的内容是不确定的。

interpolation

{‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’}

这个可选参数指定了当需要的分位数位于两个数据点

i < j之间时使用的插值方法:

1)linear: i + (j - i) * fraction

fraction 是由ij包围的索引的分数部分。

2)lower: i

3)higher: j

4)nearest: ij,以最接近的为准。

5)midpoint: (i + j) / 2

keepdimsbool, 可选

如果将其设置为True,

那么被缩减的轴将在结果中保留尺寸为1的维度。

使用此选项,结果将针对原始数组a正确传递。 

如果这不是默认值,

它将通过(在空数组的特殊情况下)

传递到基础数组的mean函数。

如果数组是子类,并且mean没有kwarg keepdims,

则将引发RuntimeError。

返回值 :

quantile :scalar 或 ndarray

如果q是单个百分位数,而axis = None,

则结果是标量。如果给出了多个分位数,

则结果的第一轴对应于分位数。其他轴是a减小后剩余的轴。

如果输入包含小于float64的整数或浮点数,

则输出数据类型为float64。

否则,输出数据类型与输入的数据类型相同。

如果指定了out,则返回该数组。

例子

>>> a = np.array([[10., 7., 4.], [3., 2., 1.]])
>>> a[0][1] = np.nan
>>> a
array([[10.,  nan,   4.],
      [ 3.,   2.,   1.]])
>>> np.quantile(a, 0.5)
nan
>>> np.nanquantile(a, 0.5)
3.0
>>> np.nanquantile(a, 0.5, axis=0)
array([6.5, 2. , 2.5])
>>> np.nanquantile(a, 0.5, axis=1, keepdims=True)
array([[7.],
       [2.]])
>>> m = np.nanquantile(a, 0.5, axis=0)
>>> out = np.zeros_like(m)
>>> np.nanquantile(a, 0.5, axis=0, out=out)
array([6.5, 2. , 2.5])
>>> m
array([6.5,  2. ,  2.5])
>>> b = a.copy()
>>> np.nanquantile(b, 0.5, axis=1, overwrite_input=True)
array([7., 2.])
>>> assert not np.all(a==b)

推荐文档

相关文档

大家感兴趣的内容

随机列表