Рубрики
Без рубрики

Numpy Quantile() Объяснен Примерами

Привет гики и добро пожаловать в этой статье мы рассмотрим квантиль NumPy. Наряду с этим, для общего лучшего понимания, мы также

Автор оригинала: Team Python Pool.

Квантиль Numpy() Объяснен Примерами

Привет гики и добро пожаловать в этой статье мы рассмотрим NumPy quantile(). Наряду с этим, для общего лучшего понимания, мы также рассмотрим его синтаксис и параметр. Затем мы увидим применение всей теоретической части на нескольких примерах. Но сначала давайте попробуем понять квантиль сам по себе.

Современные хиты, такие как Наука о данных или машинное обучение, требуют базового понимания статистики. Кроме того, Квантиль является важной частью статистики. Они могут быть поняты как <сильные>точки разреза, разделяющие наблюдения в выборке таким же образом. Исходя из этого, мы можем определить NumPy quantile() как функцию, которая помогает нам вычислить n-й квантиль данных вдоль указанной оси. Далее мы рассмотрим синтаксис этой функции.

Синтаксис квантиля Numpy()

numpy.quantile(a, q,)

Здесь, выше, мы можем видеть общий синтаксис нашей функции. Здесь a и q-необходимые параметры. С ним связано несколько других необязательных параметров, которые мы увидим далее.

Параметр квантиля Numpy()

a:array_like

Он представляет собой входной массив , над которым необходимо выполнить различные операции.

q: array_like of float

Этот параметр представляет собой значение квантиля, которое необходимо вычислить. Значение должно лежать между 0 и 1. как (.25, .50, .75 и 1) в случае квартиля.

ось: int, кортеж int, None

Это необязательный параметр, по которому необходимо вычислить значение. По умолчанию он будет вычислять значение вдоль уплощенной версии массива.

out: ndarray

Это еще один необязательный параметр и представляет собой альтернативный выходной массив, в который нам нужно поместить результат. Он должен иметь ту же форму и размер, что и ожидаемый результат.

Overwrite_input: bool

Если для этого параметра задано значение true. Затем он позволяет изменять входной массив a с помощью промежуточных вычислений для экономии памяти.

Возвращать

квантиль: скалярный или ndarray

Мы получаем возврат в виде скаляра, если q-единственный квантиль с. Если задано несколько значений квантиля, то первая ось квантиля соответствует квантилю.

Пример

Теперь мы рассмотрели почти всю теоретическую часть, связанную с квантилем NumPy(). В этом разделе мы рассмотрим различные компоненты приложения на различных примерах. Мы начнем с примера элементарного уровня и постепенно будем продвигаться вверх.

#input
import numpy as ppool
a=[1,23,4,5,6]
print(ppool.quantile(a,.25))
print(ppool.quantile(a,.50))
print(ppool.quantile(a,.75))

Выход:

4.0
5.0
6.0

Выше мы можем увидеть простой пример квантиля. Здесь мы имеем дело с < сильным>четырехгрупповым квантилем, также называемым <сильным>квартилем. Сначала мы импортировали модуль NumPy. Затем они объявили 1-d массив. После чего мы использовали наш синтаксис и оператор print, чтобы получить желаемый результат. Как и любая другая статическая операция, во-первых, наши данные расположены в определенном порядке, обычно по возрастанию. После чего выполняется операция.

Теперь рассмотрим другой пример.

#input
import numpy as ppool
a=[[1,23,4,5,6],
   [2,45,5,6,7]]
print(ppool.quantile(a,.10))
print(ppool.quantile(a,.50))
print(ppool.quantile(a,1))

Выход:

1.9
5.5
45

В приведенном выше примере мы рассмотрели 2-мерный массив . Rest мы выполнили все шаги так же, как и в первом примере. Здесь мы имеем дело с < сильным>10 – групповым квантилем, который также известен как <сильные>децили. Здесь мы запросили выходные данные для (.1, .5 и 1) из программы, и наш вывод оправдывает это.

Далее давайте рассмотрим пример, который включает в себя некоторые из наших необязательных параметров.

#input
import numpy as ppool
a=[[1,23,4,5,6],
   [2,45,5,6,7]]
print(ppool.quantile(a,.50))))

Выход:

5.5
[5. 6.]

В приведенном выше примере мы рассмотрели аналогичный массив, как и в приведенном выше примере. Но в синтаксисе мы внесли определенные изменения, добавив необязательный параметр href=”https://en.wikipedia.org/wiki/Axis”>ось в первом случае без оси, где мы пытаемся найти квантиль со значением (.50). Здесь, поскольку мы не указали никакой оси, программа сплющила массив и обработала его как 1 одиночный массив вместо 2-d массива. В то время как во втором случае мы определили ось как 1, поэтому мы получаем значение квантиля отдельно для 2 суб-массивов. href=”https://en.wikipedia.org/wiki/Axis”>ось в первом случае без оси, где мы пытаемся найти квантиль со значением (.50). Здесь, поскольку мы не указали никакой оси, программа сплющила массив и обработала его как 1 одиночный массив вместо 2-d массива. В то время как во втором случае мы определили ось как 1, поэтому мы получаем значение квантиля отдельно для 2 суб-массивов.

Квантильное Отображение В NumPy/SciPy

Квантиль можно использовать в качестве отображения для массивов. На данный момент вы не можете использовать квантиль в качестве отображения из numpy. Но, используя аналогичную библиотеку Scipy, вы можете вычислять эмпирические квантили массива. Эти квантили вычисляются как (1-x)arr[i] + (x)arr[i+1]. Где i – статистика порядка, а x – функция альфа-и бета-p.

Параметры

  • array: Входной массив, квантиль которого вы хотите вычислить. Принимается максимум 2-мерного массива
  • prob (необязательный массив): Список квантилей для вычисления.
  • betap (float): Параметр построения позиций, по умолчанию 0.4.
  • axis (int): Ось, вдоль которой вы должны обрезать.
  • limit (кортеж): обрезает только значения, принадлежащие этому пределу.

Возвращается

MaskedArray of mquantiles

Возвращает массив отображенных значений квантиля. Эти значения вычисляются по приведенной выше формуле.

Пример

from scipy.stats.mstats import mquantiles
import numpy as np
.array([7, 17., 59., 05., 12., 34., 45., 7., 35., 10., 16.])
print(mquantiles(a))

Выход

array([ 7.6, 16. , 34.8])

Объяснение

Во – первых, мы импортировали квантильную функцию из модуля SciPy. Затем мы создали массив с образцами значений, приведенными выше. Затем массив используется для вычисления квантиля отображения. На выходе вы можете проверить массив квантилей.

Квантильное Картирование как метод коррекции климатических смещений

Многие исследователи создают новые методы коррекции смещения для коррекции моделируемых выходов. Эти смоделированные результаты генерируются путем масштабирования и коррекции ошибок набора данных. Региональные климатические модели являются лучшим примером квантильного картирования в Numpy. Поскольку эти RCMS содержат много серьезных выбросов и ошибок в своих наборах данных. Квантильное отображение используется для устранения этих систематических ошибок и вывода оптимизированного климатического сценария. Ниже приведены репозитории, в которых квантильное отображение настраивается в Numpy и Scipy –

  1. href=”https://doi.org/10.1002/joc.2168″>Эмпирическое статистическое масштабирование – Сравнивает наиболее эффективные сценарии друг с другом и реализует квантильное отображение для обеспечения лучшей производительности. Картографические квантили легко отслеживают экстремальные осадки по данным. href=”https://doi.org/10.1002/joc.2168″>Эмпирическое статистическое масштабирование – Сравнивает наиболее эффективные сценарии друг с другом и реализует квантильное отображение для обеспечения лучшей производительности. Картографические квантили легко отслеживают экстремальные осадки по данным.
  2. href=”https://github.com/wegener-center/pyCAT”>pyCAT – Этот репозиторий Github содержит два основных метода коррекции смещения: Базовое Квантильное отображение и Масштабированное отображение распределения. Обе эти поправки работают при выводе анализа климата. href=”https://github.com/wegener-center/pyCAT”>pyCAT – Этот репозиторий Github содержит два основных метода коррекции смещения: Базовое Квантильное отображение и Масштабированное отображение распределения. Обе эти поправки работают при выводе анализа климата.

Надо Читать

  • Ось Numpy в Python С подробными Примерами
  • Определитель Numpy | Что такое NumPy.linalg.det()
  • ЧТО ТАКОЕ NUMPY DIFF? ВМЕСТЕ С ПРИМЕРАМИ
  • NUMPY POLYFIT ОБЪЯСНЕН ПРИМЕРАМИ
  • ЧТО ТАКОЕ NUMPY CHOOSE()? ПОДРОБНО ОБЪЯСНЕНО

Вывод

В этой статье мы рассмотрели квантиль NumPy(). Кроме того, мы также рассмотрели его синтаксис и параметры. Для лучшего понимания мы рассмотрели несколько примеров. Мы варьировали синтаксис и рассматривали выходные данные для каждого случая. В конце концов, мы можем сделать вывод, что NumPy quantile() помогает нам найти квантиль вдоль указанной оси. Надеюсь, эта статья смогла развеять все сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев. Прочитав это, почему бы не проверить, как преобразовать таблицу в обычную форму далее.