scipy.stats.mstats.

hdquantiles#

scipy.stats.mstats.hdquantiles(data, prob=(0.25, 0.5, 0.75), axis=None, var=False)[Quelle]#

Berechnet Quantilschätzungen nach der Harrell-Davis-Methode.

Die Quantilschätzungen werden als gewichtete lineare Kombination von Ordnungsstatistiken berechnet.

Parameter:

dataarray_like: Daten-Array.
probSequenz, optional: Sequenz von Wahrscheinlichkeiten, bei denen die Quantile berechnet werden sollen.
axisint oder None, optional: Achse, entlang der die Quantile berechnet werden. Wenn None, wird ein abgeflachtes Array verwendet.
varbool, optional: Ob die Varianz der Schätzung zurückgegeben werden soll.

Rückgabe:

hdquantilesMaskedArray: Ein (p,) Array von Quantilen (wenn var False ist) oder ein (2,p) Array von Quantilen und Varianzen (wenn var True ist), wobei p die Anzahl der Quantile ist.

Siehe auch

hdquantiles_sd

Beispiele

>>> import numpy as np
>>> from scipy.stats.mstats import hdquantiles
>>>
>>> # Sample data
>>> data = np.array([1.2, 2.5, 3.7, 4.0, 5.1, 6.3, 7.0, 8.2, 9.4])
>>>
>>> # Probabilities at which to compute quantiles
>>> probabilities = [0.25, 0.5, 0.75]
>>>
>>> # Compute Harrell-Davis quantile estimates
>>> quantile_estimates = hdquantiles(data, prob=probabilities)
>>>
>>> # Display the quantile estimates
>>> for i, quantile in enumerate(probabilities):
...     print(f"{int(quantile * 100)}th percentile: {quantile_estimates[i]}")
25th percentile: 3.1505820231763066 # may vary
50th percentile: 5.194344084883956
75th percentile: 7.430626414674935