numpy.ma.median#

ma.медиана(a, ось=None, выход=None, overwrite_input=False, keepdims=False)[источник]#

Вычислить медиану вдоль указанной оси.

Возвращает медиану элементов массива.

Параметры:

aarray_like: Входной массив или объект, который может быть преобразован в массив.
осьint, необязательный: Ось, вдоль которой вычисляются медианы. По умолчанию (None) — вычисление медианы по сглаженной версии массива.
выходndarray, необязательно: Альтернативный выходной массив для размещения результата. Он должен иметь ту же форму и длину буфера, что и ожидаемый выходной, но тип будет приведен при необходимости.
overwrite_inputbool, необязательно: Если True, то разрешить использование памяти входного массива (a) для вычислений. Входной массив будет изменён вызовом median. Это сэкономит память, когда вам не нужно сохранять содержимое входного массива. Рассматривайте вход как неопределённый, но он, вероятно, будет полностью или частично отсортирован. По умолчанию — False. Обратите внимание, что если overwrite_input равно True, и входные данные уже не являются ndarray, будет вызвана ошибка.
keepdimsbool, необязательно: Если установлено значение True, оси, которые были сокращены, остаются в результате как размерности с размером один. С этой опцией результат будет корректно транслироваться относительно входного массива.

Возвращает:

медианаndarray: Возвращается новый массив с результатом, если не указан out, в этом случае возвращается ссылка на out. Возвращаемый тип данных float64 для целых чисел и чисел с плавающей точкой меньше float64, или входной тип данных, в противном случае.

Смотрите также

mean

Примечания

Для заданного вектора V с N немаскированные значения, медиана V является средним значением отсортированной копии V (Vs) - т.е. Vs[(N-1)/2], когда N является нечётным, или {Vs[N/2 - 1] + Vs[N/2]}/2 когда N является чётным.

Примеры

>>> import numpy as np
>>> x = np.ma.array(np.arange(8), mask=[0]*4 + [1]*4)
>>> np.ma.median(x)
1.5

>>> x = np.ma.array(np.arange(10).reshape(2, 5), mask=[0]*6 + [1]*4)
>>> np.ma.median(x)
2.5
>>> np.ma.median(x, axis=-1, overwrite_input=True)
masked_array(data=[2.0, 5.0],
             mask=[False, False],
       fill_value=1e+20)