scipy.stats.

sem#

scipy.stats.sem(a, ось=0, ddof=1, nan_policy='propagate', *, keepdims=False)[источник]#

Вычислить стандартную ошибку среднего.

Вычислить стандартную ошибку среднего (или стандартную ошибку измерения) значений во входном массиве.

Параметры:

aarray_like

Массив, содержащий значения, для которых возвращается стандартная ошибка. Должен содержать не менее двух наблюдений.

осьint или None, по умолчанию: 0

Если это целое число, ось входных данных, по которой вычисляется статистика. Статистика каждого среза по оси (например, строки) входных данных появится в соответствующем элементе вывода. Если None, вход будет сведён в одномерный массив перед вычислением статистики.

ddofint, необязательный

Дельта степеней свободы. Сколько степеней свободы скорректировать для смещения в ограниченных выборках относительно оценки дисперсии генеральной совокупности. По умолчанию 1.

nan_policy{‘propagate’, ‘omit’, ‘raise’}

Определяет, как обрабатывать входные значения NaN.

propagate: если NaN присутствует в срезе оси (например, строке), вдоль которой вычисляется статистика, соответствующая запись вывода будет NaN.
omit: NaN будут пропущены при выполнении расчета. Если в срезе оси, вдоль которого вычисляется статистика, остается недостаточно данных, соответствующая запись вывода будет NaN.
raise: если присутствует NaN, то ValueError будет вызвано исключение.

keepdimsbool, по умолчанию: False

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:

sndarray или float: Стандартная ошибка среднего в выборке(ах) вдоль входной оси.

Примечания

Значение по умолчанию для ddof отличается от значения по умолчанию (0), используемого другими подпрограммами, содержащими ddof, такими как np.std и np.nanstd.

Начиная с SciPy 1.9, np.matrix входные данные (не рекомендуется для нового кода) преобразуются в np.ndarray перед выполнением вычисления. В этом случае результатом будет скаляр или np.ndarray подходящей формы вместо 2D np.matrix. Аналогично, хотя маскированные элементы маскированных массивов игнорируются, результатом будет скаляр или np.ndarray вместо маскированного массива с mask=False.

sem имеет экспериментальную поддержку совместимых с Python Array API Standard бэкендов в дополнение к NumPy. Пожалуйста, рассмотрите тестирование этих функций, установив переменную окружения SCIPY_ARRAY_API=1 и предоставление массивов CuPy, PyTorch, JAX или Dask в качестве аргументов массива. Поддерживаются следующие комбинации бэкенда и устройства (или других возможностей).

Библиотека	CPU	GPU
NumPy	✅	н/д
CuPy	н/д	✅
PyTorch	✅	✅
JAX	✅	✅
Dask	✅	н/д

См. Поддержка стандарта array API для получения дополнительной информации.

Примеры

Найти стандартную ошибку вдоль первой оси:

>>> import numpy as np
>>> from scipy import stats
>>> a = np.arange(20).reshape(5,4)
>>> stats.sem(a)
array([ 2.8284,  2.8284,  2.8284,  2.8284])

Найти стандартную ошибку по всему массиву, используя n степеней свободы:

>>> stats.sem(a, axis=None, ddof=0)
1.2893796958227628