scipy.stats.

gzscore

scipy.stats.gzscore(a, *, axis=0, ddof=0, nan_policy='propagate')

计算几何标准分数。

计算样本中每个严格正值的几何z分数，相对于几何平均值和标准差。从数学上讲，几何z分数可以评估为:

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

其中 gmu``（对应 ``gsigma）是几何平均值（对应标准差）。

参数:

aarray_like

示例数据。

轴int 或 None, 可选

操作所沿的轴。默认值为0。如果为None，则在整个数组 a 上进行计算。

ddofint, 可选

在计算标准差时对自由度的修正。默认值为 0。

nan_policy{‘propagate’, ‘raise’, ‘omit’}, 可选

定义了当输入包含 nan 时的处理方式。’propagate’ 返回 nan，’raise’ 抛出错误，’omit’ 忽略 nan 值进行计算。默认是 ‘propagate’。注意，当值为 ‘omit’ 时，输入中的 nan 也会传播到输出中，但它们不会影响为非 nan 值计算的几何 z 分数。

返回:

gzscorearray_like

几何Z分数，由输入数组 a 的几何平均值和几何标准差标准化。

参见

gmean

几何平均数

gstd

几何标准差

zscore

标准分数

注释

此函数保留了 ndarray 子类，并且也适用于矩阵和掩码数组（它使用 asanyarray 而不是 asarray 作为参数）。

Added in version 1.8.

参考文献

[1]

“几何标准分数”，维基百科，https://en.wikipedia.org/wiki/Geometric_standard_deviation#Geometric_standard_score。

示例

Try it in your browser!

从对数正态分布中抽取样本：

>>> 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)

显示样本的直方图：

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

显示通过经典 zscore 标准化的样本的直方图。分布被重新缩放，但其形状保持不变。

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

展示几何z分数的分布被重新调整并接近正态分布：

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

Go BackOpen In Tab