scipy.stats.

sem#

scipy.stats.sem(a, axis=0, ddof=1, nan_policy='propagate', *, keepdims=False)[Quelle]#

Berechnet den Standardfehler des Mittelwerts.

Berechnet den Standardfehler des Mittelwerts (oder Standardmessfehler) der Werte im Eingabearray.

Parameter:
aarray_like

Ein Array, das die Werte enthält, für die der Standardfehler zurückgegeben wird. Muss mindestens zwei Beobachtungen enthalten.

axisint oder None, Standard: 0

Wenn es sich um eine ganze Zahl handelt, ist dies die Achse des Eingabearrays, entlang der die Statistik berechnet wird. Die Statistik jedes Achsen-Slices (z. B. Zeile) der Eingabe erscheint dann in einem entsprechenden Element der Ausgabe. Wenn None, wird die Eingabe vor der Berechnung der Statistik geglättet.

ddofint, optional

Delta-Freiheitsgrade. Wie viele Freiheitsgrade zur Korrektur für Verzerrungen in begrenzten Stichproben im Vergleich zur Populationsschätzung der Varianz verwendet werden. Standard ist 1.

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

Definiert, wie Eingabe-NaNs behandelt werden.

  • propagate: Wenn ein NaN in der Achsen-Slice (z. B. Zeile) vorhanden ist, entlang der die Statistik berechnet wird, wird der entsprechende Eintrag der Ausgabe NaN sein.

  • omit: NaNs werden bei der Berechnung weggelassen. Wenn im Achsen-Slice, entlang dem die Statistik berechnet wird, nicht genügend Daten verbleiben, wird der entsprechende Eintrag der Ausgabe NaN sein.

  • raise: Wenn ein NaN vorhanden ist, wird ein ValueError ausgelöst.

keepdimsbool, Standard: False

Wenn dies auf True gesetzt ist, bleiben die reduzierten Achsen im Ergebnis als Dimensionen mit der Größe eins erhalten. Mit dieser Option wird das Ergebnis korrekt gegen das Eingabearray gestreut (broadcasted).

Rückgabe:
sndarray oder float

Der Standardfehler des Mittelwerts in den Stichproben, entlang der Eingabeachse.

Hinweise

Der Standardwert für ddof unterscheidet sich vom Standardwert (0), der von anderen ddof-enthaltenden Routinen wie np.std und np.nanstd verwendet wird.

Seit SciPy 1.9 werden np.matrix-Eingaben (für neuen Code nicht empfohlen) vor der Berechnung in np.ndarray konvertiert. In diesem Fall ist die Ausgabe eine Skalar- oder np.ndarray mit geeigneter Form anstelle eines 2D-np.matrix. Ebenso werden, während maskierte Elemente von Masked Arrays ignoriert werden, die Ausgabe eine Skalar- oder np.ndarray anstelle eines Masked Arrays mit mask=False sein.

sem unterstützt experimentell 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

✅

✅

Dask

✅

n/a

Siehe Unterstützung für den Array API Standard für weitere Informationen.

Beispiele

Standardfehler entlang der ersten Achse finden

>>> import numpy as np
>>> from scipy import stats
>>> a = np.arange(20).reshape(5,4)
>>> stats.sem(a)
array([ 2.8284,  2.8284,  2.8284,  2.8284])

Standardfehler über das gesamte Array finden, unter Verwendung von n Freiheitsgraden

>>> stats.sem(a, axis=None, ddof=0)
1.2893796958227628
Auf dieser Seite