scipy.stats.

gzscore#

scipy.stats.gzscore(a, *, axis=0, ddof=0, nan_policy='propagate')[原始碼]#

計算幾何標準分數。

計算樣本中每個嚴格正值的幾何 z 分數，相對於幾何平均數和標準差。數學上，幾何 z 分數可以評估為

gzscore = log(a/gmu) / log(gsigma)

其中 gmu (resp. gsigma) 是幾何平均數 (resp. 標準差)。

參數:

aarray_like: 樣本資料。
axisint 或 None，可選: 要沿其運算的軸。預設值為 0。如果為 None，則對整個陣列 a 進行計算。
ddofint，可選: 標準差計算中的自由度校正。預設值為 0。
nan_policy{‘propagate’, ‘raise’, ‘omit’}，可選: 定義輸入包含 nan 時的處理方式。 ‘propagate’ 返回 nan，‘raise’ 拋出錯誤，‘omit’ 執行計算時忽略 nan 值。預設值為 ‘propagate’。請注意，當值為 ‘omit’ 時，輸入中的 nan 也會傳播到輸出，但它們不會影響為非 nan 值計算的幾何 z 分數。

返回:

另請參閱

註解

此函數保留 ndarray 子類別，並且也適用於矩陣和遮罩陣列（它使用 asanyarray 而不是 asarray 作為參數）。

在 1.8 版本中新增。

參考文獻

[1]

範例

從對數常態分佈中繪製樣本

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

>>> rng = np.random.default_rng()
>>> mu, sigma = 3., 1.  # mean and standard deviation
>>> x = rng.lognormal(mu, sigma, size=500)

顯示樣本的直方圖

>>> fig, ax = plt.subplots()
>>> ax.hist(x, 50)
>>> plt.show()

顯示通過經典 z 分數標準化的樣本直方圖。分佈已重新調整，但其形狀未改變。

>>> fig, ax = plt.subplots()
>>> ax.hist(zscore(x), 50)
>>> plt.show()

證明幾何 z 分數的分佈已重新調整且近似常態

>>> fig, ax = plt.subplots()
>>> ax.hist(gzscore(x), 50)
>>> plt.show()