scipy.stats.

yeojohnson_normmax

scipy.stats.yeojohnson_normmax(x, brack=None)

Berechnet den optimalen Yeo-Johnson-Transformationsparameter.

Berechnet den optimalen Yeo-Johnson-Transformationsparameter für Eingabedaten unter Verwendung der Maximum-Likelihood-Schätzung.

Parameter:

xarray_like

Eingabearray.

brack2-Tupel, optional

Das Startintervall für eine absteigende Klammersuche mit optimize.brent. Beachten Sie, dass dies in den meisten Fällen nicht kritisch ist; das Endergebnis darf außerhalb dieser Klammer liegen. Wenn None, wird optimize.fminbound mit Grenzen verwendet, die einen Überlauf vermeiden.

Rückgabe:

maxlogfloat

Der gefundene optimale Transformationsparameter.

Siehe auch

yeojohnson, yeojohnson_llf, yeojohnson_normplot

Hinweise

Hinzugefügt in Version 1.2.0.

Beispiele

Probieren Sie es in Ihrem Browser aus!

>>> import numpy as np
>>> from scipy import stats
>>> import matplotlib.pyplot as plt

Generieren Sie einige Daten und bestimmen Sie den optimalen lmbda

>>> rng = np.random.default_rng()
>>> x = stats.loggamma.rvs(5, size=30, random_state=rng) + 5
>>> lmax = stats.yeojohnson_normmax(x)

>>> fig = plt.figure()
>>> ax = fig.add_subplot(111)
>>> prob = stats.yeojohnson_normplot(x, -10, 10, plot=ax)
>>> ax.axvline(lmax, color='r')

>>> plt.show()

ZurückIn Tab öffnen