如果在缺少值的数据集中使用scipy.mstats.theilslopes例程,则斜率估计的下界和上界的结果是不正确的。上限通常/总是(?)NaN,而下界是完全错误的。之所以会发生这种情况,是因为它们的斜坡例程将索引计算到排序的斜率数组中,而这个数组包含了不应该丢失的值的斜率。
解决方案是在分析之前删除丢失的值,但这是没有文档记录的。
为了演示这个问题,下面是一个简单的代码片段:从scipy.stats导入mstats将numpy导入为np
x = np.arange(12)
y = np.array([28.9, 26.2, 27.2, 26.5, 28.4, 25.3, 26.1, 24.8, 27.7,
np.nan, np.nan, 29.6])
slope, intercept, lo_slope, up_slope = mstats.theilslopes(y, x,
alpha=0.1)
print "incorrect: ", slope, lo_slope, up_slope
idx = [0, 1, 2, 3, 4, 5, 6, 7, 8, 11]
x = x[idx] # equivalent to pandas series.dropna()
y = y[idx]
slope, intercept, lo_slope, up_slope = mstats.theilslopes(y, x,
alpha=0.1)
print "correct: ", slope, lo_slope, up_slope
发布于 2015-05-22 05:42:06
在mstats
模块的scipy.stats
中,“缺失值”是使用蒙面阵列处理的。nan
并不表示缺少值。
下面展示了如何将数组y
(它使用nan
来表示缺失的值)转换为蒙面数组my
In [48]: x = np.arange(12)
In [49]: y = np.array([28.9, 26.2, 27.2, 26.5, 28.4, 25.3, 26.1, 24.8, 27.7, np.nan, np.nan, 29.6])
In [50]: my = np.ma.masked_array(y, mask=np.isnan(y))
In [51]: my
Out[51]:
masked_array(data = [28.9 26.2 27.2 26.5 28.4 25.3 26.1 24.8 27.7 -- -- 29.6],
mask = [False False False False False False False False False True True False],
fill_value = 1e+20)
In [52]: slope, intercept, lo_slope, up_slope = mstats.theilslopes(my, x, alpha=0.1)
In [53]: print "correct: ", slope, lo_slope, up_slope
correct: -0.125 -0.48 0.3875
顺便说一句,请确保您正在使用的是至少0.15.0版本的you。旧版本的theilslopes
有一些bug:https://github.com/scipy/scipy/pull/3574
https://stackoverflow.com/questions/30390131
复制相似问题