NumPy의 가중 표준 편차

NumPy의 가중 표준 편차

---

numpy.average()가중치 옵션이 있지만 numpy.std()그렇지 않습니다. 누구든지 해결 방법에 대한 제안이 있습니까?

---

다음의 짧은 "수동 계산"은 어떻습니까?

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))

---

statsmodels가중 통계를 쉽게 계산할 수 있는 클래스가 statsmodels.stats.weightstats.DescrStatsW있습니다..

이 데이터 세트 및 가중치 가정 :

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

클래스를 초기화합니다 ( 이 시점에서 수정 계수, 델타 자유도 를 전달해야합니다).

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

그런 다음 다음을 계산할 수 있습니다.

• .mean가중 평균 :

  >>> weighted_stats.mean      
  1.97196261682243
  

• .std가중 된 표준 편차 :

  >>> weighted_stats.std       
  0.21434289609681711
  

• .var가중 분산 :

  >>> weighted_stats.var       
  0.045942877107170932
  

• .std_mean가중 평균 의 표준 오차 :

  >>> weighted_stats.std_mean  
  0.020818822467555047
  

  표준 오차와 표준 편차 사이의 관계에 관심이있는 경우 : 표준 오차는 (for ddof == 0) 가중 표준 편차를 가중치 합계에서 1을 뺀 제곱근으로 나눈 값으로 계산됩니다 ( 버전의 해당 소스). statsmodels0.9 on GitHub ) :

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

---

옵션이 하나 더 있습니다.

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

---

numpy / scipy에는 아직 이러한 기능이없는 것 같지만 이 추가 기능을 제안 하는 티켓 이 있습니다. 가중 표준 편차를 구현하는 Statistics.py 를 찾을 수 있습니다.

---

gaborous가 제안한 아주 좋은 예가 있습니다 .

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's 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's values computed 
correctly))
sigma2 = 1./(w.sum()-1) * xm.mul(w, axis=0).T.dot(xm); # Compute the 
unbiased weighted sample covariance

가중 편향되지 않은 샘플 공분산, URL에 대한 올바른 방정식 (버전 : 2016-06-28)

참고URL : https://stackoverflow.com/questions/2413522/weighted-standard-deviation-in-numpy