scipy.stats.

yeojohnson

scipy.stats.yeojohnson(x, lmbda=None)

傳回經 Yeo-Johnson 冪轉換的資料集。

參數：

xndarray

輸入陣列。應為一維。

lmbdafloat，選用

如果 lmbda 為 None，則尋找最大化對數概似函數的 lambda，並將其作為第二個輸出引數傳回。否則，轉換將針對給定值完成。

傳回：

yeojohnson：ndarray

Yeo-Johnson 冪轉換陣列。

maxlogfloat，選用

如果 lmbda 參數為 None，則第二個傳回的引數是最大化對數概似函數的 lambda。

另請參閱

probplot、yeojohnson_normplot、yeojohnson_normmax、yeojohnson_llf、boxcox

註解

Yeo-Johnson 轉換由下式給出

y = ((x + 1)**lmbda - 1) / lmbda,                for x >= 0, lmbda != 0
    log(x + 1),                                  for x >= 0, lmbda = 0
    -((-x + 1)**(2 - lmbda) - 1) / (2 - lmbda),  for x < 0, lmbda != 2
    -log(-x + 1),                                for x < 0, lmbda = 2

與 boxcox 不同，yeojohnson 不需要輸入資料為正數。

在 1.2.0 版本中新增。

參考文獻

I. Yeo 和 R.A. Johnson，“A New Family of Power Transformations to Improve Normality or Symmetry”，Biometrika 87.4 (2000)

範例

在您的瀏覽器中試試看！

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

我們從非常態分佈產生一些隨機變數，並為其製作機率圖，以顯示其在尾部是非常態的

>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(211)
>>> x = stats.loggamma.rvs(5, size=500) + 5
>>> prob = stats.probplot(x, dist=stats.norm, plot=ax1)
>>> ax1.set_xlabel('')
>>> ax1.set_title('Probplot against normal distribution')

我們現在使用 yeojohnson 轉換資料，使其最接近常態

>>> ax2 = fig.add_subplot(212)
>>> xt, lmbda = stats.yeojohnson(x)
>>> prob = stats.probplot(xt, dist=stats.norm, plot=ax2)
>>> ax2.set_title('Probplot after Yeo-Johnson transformation')

>>> plt.show()

返回在新分頁中開啟