Подтвердить что ты не робот

Взвешенное стандартное отклонение в NumPy

numpy.average() имеет параметр весов, но numpy.std() - нет. Кто-нибудь имеет предложения об обходном пути?

4b9b3361

Ответ 1

Как насчет следующего короткого "ручного расчета"?

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))

Ответ 2

В statsmodels есть класс, который облегчает вычисление взвешенной статистики: statsmodels.stats.weightstats.DescrStatsW.

Предполагая, что этот набор данных и вес:

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

Вы инициализируете класс (обратите внимание, что вы должны передать поправочный коэффициент, дельта степеней свободы в этой точке):

weighted_stats = DescrStatsW(array, weights=weights, ddof=0)

Тогда вы можете рассчитать:

  • .mean взвешенное среднее:

    >>> weighted_stats.mean      
    1.97196261682243
    
  • .std взвешенное стандартное отклонение:

    >>> weighted_stats.std       
    0.21434289609681711
    
  • .var взвешенная дисперсия:

    >>> weighted_stats.var       
    0.045942877107170932
    
  • .std_mean стандартная ошибка взвешенного среднего:

    >>> weighted_stats.std_mean  
    0.020818822467555047
    

    На всякий случай, если вас интересует связь между стандартной ошибкой и стандартным отклонением: стандартная ошибка (для ddof == 0) рассчитывается как взвешенное стандартное отклонение, деленное на квадратный корень из суммы весов минус 1 (соответствующий источник для statsmodels версии 0.9 на GitHub):

    standard_error = standard_deviation / sqrt(sum(weights) - 1)
    

Ответ 3

Пока не существует такой функции в numpy/scipy, но есть билет, предлагающий эту добавленную функциональность. Здесь вы найдете Statistics.py, который реализует взвешенные стандартные отклонения.

Ответ 4

Существует очень хороший пример, предложенный 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 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 values computed 
correctly))
sigma2 = 1./(w.sum()-1) * xm.mul(w, axis=0).T.dot(xm); # Compute the 
unbiased weighted sample covariance

Исправить уравнение для взвешенной несмещенной выборки ковариации, URL (версия: 2016-06-28)

Ответ 5

Вот еще один вариант:

np.sqrt(np.cov(values, aweights=weights))