statsmodels.stats.weightstats.DescrStatsW¶

class statsmodels.stats.weightstats.DescrStatsW(data, weights=None, ddof=0)[source]¶

描述性统计和带案例权重的检验

假设数据是1维或2维的，具有(nobs, nvars)的观测值在行中，变量在列中，并且每列应用相同的权重。

如果使用自由度校正，那么权重应总计为观测值的数量。ttest 还假设权重的总和对应于样本大小。

这本质上与根据权重复制每个观测值相同，如果权重是整数，通常称为案例或频率权重。

Parameters:¶

dataarray_like, 1-D or 2-D

数据集

weightsNone or 1-D ndarray

每个观测值的权重，长度与数据的零轴相同

ddofint

默认 ddof=0，用于二阶矩（如方差、标准差、协方差、相关系数）的自由度修正。 然而，统计检验与 ddof 无关，基于标准公式。

Attributes:¶

corrcoef

带默认ddof的加权相关性

假设变量在列中，观测值在行中

cov

如果数据是二维的，则数据的加权协方差

假设变量在列中，观测值在行中 使用默认的ddof

demeaned

减去加权平均值的数据

mean

数据的加权平均值

nobs

观测值/案例数的别名，等于权重的总和

std

使用默认自由度校正的标准差

std_mean

加权平均的标准差

sum

数据的加权和

sum_weights

权重之和

sumsquares

去均值数据加权平方和

var

使用默认自由度校正的方差

示例

>>> import numpy as np
>>> np.random.seed(0)
>>> x1_2d = 1.0 + np.random.randn(20, 3)
>>> w1 = np.random.randint(1, 4, 20)
>>> d1 = DescrStatsW(x1_2d, weights=w1)
>>> d1.mean
array([ 1.42739844,  1.23174284,  1.083753  ])
>>> d1.var
array([ 0.94855633,  0.52074626,  1.12309325])
>>> d1.std_mean
array([ 0.14682676,  0.10878944,  0.15976497])

>>> tstat, pval, df = d1.ttest_mean(0)
>>> tstat; pval; df
array([  9.72165021,  11.32226471,   6.78342055])
array([  1.58414212e-12,   1.26536887e-14,   2.37623126e-08])
44.0

>>> tstat, pval, df = d1.ttest_mean([0, 1, 1])
>>> tstat; pval; df
array([ 9.72165021,  2.13019609,  0.52422632])
array([  1.58414212e-12,   3.87842808e-02,   6.02752170e-01])
44.0

# 如果权重是整数，则可以使用asrepeats

>>> x1r = d1.asrepeats()
>>> x1r.shape
...
>>> stats.ttest_1samp(x1r, [0, 1, 1])
...

方法

asrepeats()	获取一个数组，该数组具有由 floor(weights) 给出的重复项
get_compare(other[, weights])	返回一个包含自身和其他对象的CompareMeans实例
quantile(probs[, return_pandas])	计算加权样本的分位数。
std_ddof([ddof])	给定ddof的数据的标准差
tconfint_mean([alpha, alternative])	数据加权平均值的双侧置信区间
ttest_mean([value, alternative])	检验原假设，即均值等于给定值。
ttost_mean(low, upp)	单样本的（非）等价性检验
var_ddof([ddof])	给定ddof的数据方差
zconfint_mean([alpha, alternative])	数据加权平均值的双侧置信区间
ztest_mean([value, alternative])	零假设的z检验，假设均值等于给定值。
ztost_mean(low, upp)	基于z检验的单样本（非）等价性检验

属性

corrcoef	带默认ddof的加权相关性
cov	如果数据是二维的，则数据的加权协方差
demeaned	减去加权平均值的数据
mean	数据的加权平均值
nobs	观测值/案例数的别名，等于权重的总和
std	使用默认自由度校正的标准差
std_mean	加权平均的标准差
sum	数据的加权和
sum_weights	权重之和
sumsquares	去均值数据加权平方和
var	使用默认自由度校正的方差