الانحراف المعياري المرجح في Numpy
-
19-09-2019 - |
سؤال
numpy.average()
لديه خيار الأوزان، ولكن numpy.std()
لا. هل لدى أي شخص اقتراحات لتحقيق الحل؟
المحلول
ماذا عن القصير التالي "الحساب اليدوي"؟
def weighted_avg_and_std(values, weights):
"""
Return the weighted average and standard deviation.
values, weights -- Numpy ndarrays with the same shape.
"""
average = numpy.average(values, weights=weights)
# Fast and numerically precise:
variance = numpy.average((values-average)**2, weights=weights)
return (average, math.sqrt(variance))
نصائح أخرى
هناك فئة في statsmodels
هذا يجعل من السهل حساب الإحصاءات المرجحة: statsmodels.stats.weightstats.DescrStatsW
.
على افتراض هذه البيانات والأوزان:
import numpy as np
from statsmodels.stats.weightstats import DescrStatsW
array = np.array([1,2,1,2,1,2,1,3])
weights = np.ones_like(array)
weights[3] = 100
قمت بتهيئة الفئة (لاحظ أن عليك المرور في عامل التصحيح، الدلتا درجات الحرية عند هذه النقطة):
weighted_stats = DescrStatsW(array, weights=weights, ddof=0)
ثم يمكنك حساب:
.mean
ال المعنى الحقيقي:>>> weighted_stats.mean 1.97196261682243
.std
ال الانحراف المعياري المرجح:>>> weighted_stats.std 0.21434289609681711
.var
ال التباين المرجح:>>> weighted_stats.var 0.045942877107170932
.std_mean
ال خطأ تقليدي من الوسط المرجح:>>> weighted_stats.std_mean 0.020818822467555047
فقط في حال كنت مهتما بالعلاقة بين الخطأ القياسي والانحراف المعياري: الخطأ القياسي هو (ل
ddof == 0
) محسوبة الانحراف المعياري المرجح مقسوم الجذر التربيعي لمجموع الأوزان ناقص 1 (المصدر المقابل لstatsmodels
الإصدار 0.9 على جيثب):standard_error = standard_deviation / sqrt(sum(weights) - 1)
فيما يلي خيار آخر:
np.sqrt(np.cov(values, aweights=weights))
هناك مثال جيد جدا اقترح gaborous:
import pandas as pd
import numpy as np
# X is the dataset, as a Pandas' DataFrame
mean = mean = np.ma.average(X, axis=0, weights=weights) # Computing the
weighted sample mean (fast, efficient and precise)
# Convert to a Pandas' Series (it's just aesthetic and more
# ergonomic; no difference in computed values)
mean = pd.Series(mean, index=list(X.keys()))
xm = X-mean # xm = X diff to mean
xm = xm.fillna(0) # fill NaN with 0 (because anyway a variance of 0 is
just void, but at least it keeps the other covariance's values computed
correctly))
sigma2 = 1./(w.sum()-1) * xm.mul(w, axis=0).T.dot(xm); # Compute the
unbiased weighted sample covariance
المعادلة الصحيحة للمعادلة المرجحة عينة غير متحيزة، عنوان URL (النسخة: 2016-06-28)