Python numpy.nanpercentile函数方法的使用

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nanpercentile方法的使用。

numpy.nanpercentile

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

沿指定轴计算数据的第q个百分位数,而忽略nan值。

返回数组元素的第q个百分点。

1.9.0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

要计算的百分位数或百分位数序列,

必须在0到100之间(含0和100)。

axis :{int, tuple of int, None}, 可选

沿其计算百分位数的一个或多个轴。

默认值为沿数组的展平版本计算百分位数。

out :ndarray, 可选

放置结果的备用输出数组。

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_input :bool, 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百分比位于两个数据点i < j

之间时使用的插值方法:

1)‘linear’: i + (j - i) * fraction

fraction是由i和j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,

则缩小的轴将保留为尺寸1的尺寸。

 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不具有kwarg keepdims,

则将引发RuntimeError。

返回值 :

percentile :scalar 或 ndarray

如果q是单个百分位数,而axis = None,

则结果是标量。 如果给出了多个百分位数,

则结果的第一个轴对应于百分位数。 

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。

Notes

给定长度为N的向量VV的第q个百分位数是从最小值到整数的方式的值q/100。如果归一化排名与q的位置完全不匹配,则两个最近邻居的值和距离以及内插参数将确定百分位数。如果q = 50,此函数与中位数相同;如果q = 0,则与最小值相同;如果q = 100,则与最大值相同。

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.percentile(a, 50)
nan
>>> np.nanpercentile(a, 50)
3.0
>>> np.nanpercentile(a, 50, axis=0)
array([6.5, 2. , 2.5])
>>> np.nanpercentile(a, 50, axis=1, keepdims=True)
array([[7.],
       [2.]])
>>> m = np.nanpercentile(a, 50, axis=0)
>>> out = np.zeros_like(m)
>>> np.nanpercentile(a, 50, axis=0, out=out)
array([6.5, 2. , 2.5])
>>> m
array([6.5,  2. ,  2.5])
>>> b = a.copy()
>>> np.nanpercentile(b, 50, axis=1, overwrite_input=True)
array([7., 2.])
>>> assert not np.all(a==b)
推荐阅读
cjavapy编程之路首页