scipy.stats.

describe#

scipy.stats.describe(a, axis=0, ddof=1, bias=True, nan_policy='propagate')[Quelle]#

Berechnet mehrere deskriptive Statistiken für das übergebene Array.

Parameter:

aarray_like

Eingabedaten.

axisint oder None, optional

Achse, entlang der die Statistiken berechnet werden. Standard ist 0. Wenn None, wird über das gesamte Array a berechnet.

ddofint, optional

Delta Freiheitsgrade (nur für Varianz). Standard ist 1.

biasbool, optional

Wenn False, dann werden die Berechnungen für Schiefe und Kurtosis für statistische Verzerrungen korrigiert.

nan_policy{‘propagate’, ‘raise’, ‘omit’}, optional

Definiert, wie mit NaN-Werten im Input umgegangen wird. Die folgenden Optionen sind verfügbar (Standard ist ‘propagate’)

‘propagate’: gibt NaN zurück
‘raise’: löst einen Fehler aus
‘omit’: führt die Berechnungen unter Ignorierung von NaN-Werten durch

Rückgabe:

nobsint oder ndarray von ints: Anzahl der Beobachtungen (Länge der Daten entlang der Achse axis). Wenn ‘omit’ als nan_policy gewählt wird, wird die Länge entlang jedes Achsenschnitts separat gezählt.
minmax: Tupel von ndarrays oder floats: Minimum und Maximum Wert von a entlang der gegebenen Achse.
meanndarray oder float: Arithmetisches Mittel von a entlang der gegebenen Achse.
variancendarray oder float: Unverzerrte Varianz von a entlang der gegebenen Achse; Nenner ist die Anzahl der Beobachtungen minus eins.
skewnessndarray oder float: Schiefe von a entlang der gegebenen Achse, basierend auf Momentberechnungen mit einem Nenner, der gleich der Anzahl der Beobachtungen ist, d.h. keine Korrektur der Freiheitsgrade.
kurtosisndarray oder float: Kurtosis (Fisher) von a entlang der gegebenen Achse. Die Kurtosis ist so normiert, dass sie für die Normalverteilung Null ist. Es werden keine Freiheitsgrade verwendet.

Löst aus:

ValueError: Wenn die Größe von a 0 ist.

Siehe auch

skew, kurtosis

Hinweise

describe hat experimentelle Unterstützung für Python Array API Standard-kompatible Backends zusätzlich zu NumPy. Bitte erwägen Sie, diese Funktionen zu testen, indem Sie die Umgebungsvariable SCIPY_ARRAY_API=1 setzen und CuPy-, PyTorch-, JAX- oder Dask-Arrays als Array-Argumente übergeben. Die folgenden Kombinationen von Backend und Gerät (oder anderer Fähigkeit) werden unterstützt.

Bibliothek	CPU	GPU
NumPy	✅	n/a
CuPy	n/a	✅
PyTorch	✅	✅
JAX	⚠️ kein JIT	⚠️ kein JIT
Dask	⚠️ berechnet Graph	n/a

Siehe Unterstützung für den Array API Standard für weitere Informationen.

Beispiele

>>> import numpy as np
>>> from scipy import stats
>>> a = np.arange(10)
>>> stats.describe(a)
DescribeResult(nobs=10, minmax=(0, 9), mean=4.5,
               variance=9.166666666666666, skewness=0.0,
               kurtosis=-1.2242424242424244)
>>> b = [[1, 2], [3, 4]]
>>> stats.describe(b)
DescribeResult(nobs=2, minmax=(array([1, 2]), array([3, 4])),
               mean=array([2., 3.]), variance=array([2., 2.]),
               skewness=array([0., 0.]), kurtosis=array([-2., -2.]))