Statistische Funktionen für maskierte Arrays (scipy.stats.mstats)

Dieses Modul enthält eine große Anzahl von statistischen Funktionen, die mit maskierten Arrays verwendet werden können.

Die meisten dieser Funktionen sind denen in scipy.stats ähnlich, können aber geringfügige Unterschiede in der API oder im verwendeten Algorithmus aufweisen. Da dies ein relativ neues Paket ist, sind einige API-Änderungen noch möglich.

Zusammenfassende Statistiken

describe(a[, axis, ddof, bias])	Berechnet mehrere deskriptive Statistiken des übergebenen Arrays.
gmean(a[, axis, dtype, weights, nan_policy, ...])	Berechnet das gewichtete geometrische Mittel entlang der angegebenen Achse.
hmean(a[, axis, dtype, weights, nan_policy, ...])	Berechnet den gewichteten harmonischen Mittelwert entlang der angegebenen Achse.
kurtosis(a[, axis, fisher, bias])	Berechnet die Kurtosis (Fisher oder Pearson) eines Datensatzes.
mode(a[, axis])	Gibt ein Array des modalen (häufigsten) Werts im übergebenen Array zurück.
mquantiles(a[, prob, alphap, betap, axis, limit])	Berechnet empirische Quantile für ein Datenarray.
hdmedian(data[, axis, var])	Gibt die Harrell-Davis-Schätzung des Medians entlang der gegebenen Achse zurück.
hdquantiles(data[, prob, axis, var])	Berechnet Quantilschätzungen mit der Harrell-Davis-Methode.
hdquantiles_sd(data[, prob, axis])	Die Standardabweichung der Harrell-Davis-Quantilschätzungen mittels Jackknife.
idealfourths(data[, axis])	Gibt eine Schätzung des unteren und oberen Quartils zurück.
plotting_positions(data[, alpha, beta])	Gibt Plotting-Positionen (oder empirische Perzentilpunkte) für die Daten zurück.
meppf(data[, alpha, beta])	Gibt Plotting-Positionen (oder empirische Perzentilpunkte) für die Daten zurück.
moment(a[, moment, axis])	Berechnet das n-te Moment um den Mittelwert für eine Stichprobe.
skew(a[, axis, bias])	Berechnet die Schiefe eines Datensatzes.
tmean(a[, limits, inclusive, axis])	Berechnet den getrimmten Mittelwert.
tvar(a[, limits, inclusive, axis, ddof])	Berechnet die gestutzte Varianz
tmin(a[, lowerlimit, axis, inclusive])	Berechnet das gestutzte Minimum
tmax(a[, upperlimit, axis, inclusive])	Berechnet das gestutzte Maximum
tsem(a[, limits, inclusive, axis, ddof])	Berechnet den getrimmten Standardfehler des Mittelwerts.
variation(a[, axis, ddof])	Berechnet den Variationskoeffizienten.
find_repeats(arr)	Findet Wiederholungen in arr und gibt ein Tupel (repeats, repeat_count) zurück.
sem(a[, axis, ddof])	Berechnet den Standardfehler des Mittelwerts des Eingabearrays.
trimmed_mean(a[, limits, inclusive, ...])	Gibt den gestutzten Mittelwert der Daten entlang der gegebenen Achse zurück.
trimmed_mean_ci(data[, limits, inclusive, ...])	Ausgewählt Konfidenzintervall des gestutzten Mittelwerts entlang der gegebenen Achse.
trimmed_std(a[, limits, inclusive, ...])	Gibt die gestutzte Standardabweichung der Daten entlang der gegebenen Achse zurück.
trimmed_var(a[, limits, inclusive, ...])	Gibt die gestutzte Varianz der Daten entlang der gegebenen Achse zurück.

Häufigkeitsstatistiken

scoreatpercentile(data, per[, limit, ...])

Berechnet den Score beim gegebenen 'per'-Perzentil der Sequenz a.

Korrelationsfunktionen

f_oneway(*args)	Führt eine 1-Wege-ANOVA durch und gibt einen F-Wert und die Wahrscheinlichkeit für beliebig viele Gruppen zurück.
pearsonr(x, y)	Pearson-Korrelationskoeffizient und p-Wert zum Testen auf Nicht-Korrelation.
spearmanr(x[, y, use_ties, axis, ...])	Berechnet einen Spearman-Rangkorrelationskoeffizienten und den p-Wert zum Testen auf Nicht-Korrelation.
pointbiserialr(x, y)	Berechnet einen punktbiserialen Korrelationskoeffizienten und seinen p-Wert.
kendalltau(x, y[, use_ties, use_missing, ...])	Berechnet die Kendall-Rangkorrelation tau für zwei Variablen x und y.
kendalltau_seasonal(x)	Berechnet eine multivariate Kendall-Rangkorrelation tau für saisonale Daten.
linregress(x[, y])	Berechnet eine lineare Regressionsanalyse nach der Methode der kleinsten Quadrate für zwei Messreihen.
siegelslopes(y[, x, method])	Berechnet den Siegel-Schätzer für eine Punktmenge (x, y).
theilslopes(y[, x, alpha, method])	Berechnet den Theil-Sen-Schätzer für eine Menge von Punkten (x, y).
sen_seasonal_slopes(x)	Berechnet saisonale Theil-Sen- und Kendall-Steigungs-Schätzer.

Statistische Tests

ttest_1samp(a, popmean[, axis, alternative])	Berechnet den T-Test für den Mittelwert von EINER Gruppe von Punktzahlen.
ttest_onesamp(a, popmean[, axis, alternative])	Berechnet den T-Test für den Mittelwert von EINER Gruppe von Punktzahlen.
ttest_ind(a, b[, axis, equal_var, alternative])	Berechnet den T-Test für die Mittelwerte von ZWEI UNABHÄNGIGEN Stichproben von Punktzahlen.
ttest_rel(a, b[, axis, alternative])	Berechnet den T-Test für ZWEI VERBUNDENE Stichproben von Punktzahlen, a und b.
chisquare(f_obs[, f_exp, ddof, axis, ...])	Führt den Chi-Quadrat-Test nach Pearson durch.
kstest(data1, data2[, args, alternative, method])
ks_2samp(data1, data2[, alternative, method])	Berechnet den Kolmogorov-Smirnov-Test für zwei Stichproben.
ks_1samp(x, cdf[, args, alternative, method])	Berechnet den Kolmogorov-Smirnov-Test für eine Stichprobe von maskierten Werten.
ks_twosamp(data1, data2[, alternative, method])	Berechnet den Kolmogorov-Smirnov-Test für zwei Stichproben.
mannwhitneyu(x, y[, use_continuity])	Berechnet die Mann-Whitney-Statistik
rankdata(data[, axis, use_missing])	Gibt den Rang (auch Ordnungsstatistik genannt) jedes Datenpunktes entlang der gegebenen Achse zurück.
kruskal(*args)	Berechnet den Kruskal-Wallis H-Test für unabhängige Stichproben
kruskalwallis(*args)	Berechnet den Kruskal-Wallis H-Test für unabhängige Stichproben
friedmanchisquare(*args)	Das Friedman-Chi-Quadrat ist eine nicht-parametrische Einweg-ANOVA innerhalb von Subjekten.
brunnermunzel(x, y[, alternative, distribution])	Berechnet den Brunner-Munzel-Test für die Stichproben x und y.
skewtest(a[, axis, alternative])	Testet, ob die Schiefe von der Normalverteilung abweicht.
kurtosistest(a[, axis, alternative])	Testet, ob ein Datensatz eine normale Kurtosis aufweist
normaltest(a[, axis])	Testet, ob eine Stichprobe von einer Normalverteilung abweicht.

Transformationen

obrientransform(*args)	Berechnet eine Transformation auf Eingabedaten (beliebig viele Spalten).
trim(a[, limits, inclusive, relative, axis])	Stutzt ein Array, indem Daten außerhalb bestimmter Grenzen maskiert werden.
trima(a[, limits, inclusive])	Stutzt ein Array, indem Daten außerhalb bestimmter Grenzen maskiert werden.
trimmed_stde(a[, limits, inclusive, axis])	Gibt den Standardfehler des gestutzten Mittelwerts entlang der gegebenen Achse zurück.
trimr(a[, limits, inclusive, axis])	Stutzt ein Array, indem ein Teil der Daten an jedem Ende maskiert wird.
trimtail(data[, proportiontocut, tail, ...])	Stutzt die Daten, indem Werte aus einem Schwanz maskiert werden.
trimboth(data[, proportiontocut, inclusive, ...])	Stutzt die kleinsten und größten Datenwerte.
winsorize(a[, limits, inclusive, inplace, ...])	Gibt eine Winsorized-Version des Eingabearrays zurück.
zmap(scores, compare[, axis, ddof, nan_policy])	Berechnet die relativen z-Scores.
zscore(a[, axis, ddof, nan_policy])	Berechnet den z-Score.

Sonstiges

argstoarray(*args)	Konstruiert ein 2D-Array aus einer Gruppe von Sequenzen.
count_tied_groups(x[, use_missing])	Zählt die Anzahl der gebundenen Werte.
msign(x)	Gibt das Vorzeichen von x zurück oder 0, wenn x maskiert ist.
compare_medians_ms(group_1, group_2[, axis])	Vergleicht die Mediane zweier unabhängiger Gruppen entlang der gegebenen Achse.
median_cihs(data[, alpha, axis])	Berechnet das Konfidenzintervall für den Median der Daten auf dem Alpha-Niveau.
mjci(data[, prob, axis])	Gibt die Maritz-Jarrett-Schätzer für den Standardfehler ausgewählter experimenteller Quantile der Daten zurück.
mquantiles_cimj(data[, prob, alpha, axis])	Berechnet das Alpha-Konfidenzintervall für die ausgewählten Quantile der Daten mit Maritz-Jarrett-Schätzern.
rsh(data[, points])	Evaluiert Rosenblatts verschobene Histogrammschätzer für jeden Datenpunkt.