directional_stats#
- scipy.stats.directional_stats(samples, *, axis=0, normalize=True)[源代码][源代码]#
计算方向数据的样本统计量。
计算一组向量的方向均值（也称为均值方向向量）和均值结果长度。
方向均值是矢量数据“偏好方向”的一种度量。它类似于样本均值，但在数据长度无关紧要时使用（例如单位矢量）。
平均结果长度是一个介于0和1之间的值，用于量化方向数据的分散程度：平均结果长度越小，分散程度越大。在[Ra87cfbedfacd-1]_和[Ra87cfbedfacd-2]_中给出了涉及平均结果长度的几种方向方差定义。
- 参数:
- 示例array_like
输入数组。必须至少是二维的，并且输入的最后一个轴必须与向量空间的维度相对应。当输入恰好是二维时，这意味着数据的每一行都是一个向量观测值。
- 轴int, 默认值: 0
计算方向均值的轴。
- normalize: boolean, default: True
如果为 True，则将输入归一化以确保每个观测值都是单位向量。如果观测值已经是单位向量，请考虑将此设置为 False 以避免不必要的计算。
- 返回:
- res方向统计
一个包含属性的对象：
- mean_directionndarray
方向平均。
- mean_resultant_lengthndarray
平均结果长度 [1]。
注释
这使用了来自 [1] 的方向均值定义。假设观测值是单位向量，计算如下。
mean = samples.mean(axis=0) mean_resultant_length = np.linalg.norm(mean) mean_direction = mean / mean_resultant_length
此定义适用于 方向性 数据（即每个观测值的大小无关紧要的矢量数据），但不适用于 轴向 数据（即每个观测值的大小和 符号 无关紧要的矢量数据）。
已经提出了几种涉及平均结果长度
R的方向性方差定义，包括1 - R[1]、1 - R**2[2] 和2 * (1 - R)[2]。与其选择其中之一，此函数返回R作为属性 mean_resultant_length，以便用户可以计算他们偏好的分散度量。参考文献
示例
>>> import numpy as np >>> from scipy.stats import directional_stats >>> data = np.array([[3, 4], # first observation, 2D vector space ... [6, -8]]) # second observation >>> dirstats = directional_stats(data) >>> dirstats.mean_direction array([1., 0.])
相比之下，向量的常规样本均值会受到每个观测值大小的影响。此外，结果将不是一个单位向量。
>>> data.mean(axis=0) array([4.5, -2.])
directional_stats的一个典型用例是找到球体上一组观测值的 有意义 中心，例如地理位置。>>> data = np.array([[0.8660254, 0.5, 0.], ... [0.8660254, -0.5, 0.]]) >>> dirstats = directional_stats(data) >>> dirstats.mean_direction array([1., 0., 0.])
另一方面，常规样本均值产生的结果并不位于球面上。
>>> data.mean(axis=0) array([0.8660254, 0., 0.])
该函数还返回平均结果长度，可用于计算方向方差。例如，使用 [2] 中的定义
Var(z) = 1 - R，其中R是平均结果长度，我们可以计算上述示例中向量的方向方差为：>>> 1 - dirstats.mean_resultant_length 0.13397459716167093