Где я могу найти безумное (среднее абсолютное отклонение) в scipy?

Ответ 1

Текущая версия statsmodels имеет mad в statsmodels.robust:

>>> import numpy as np
>>> from statsmodels import robust
>>> a = np.matrix( [
...     [ 80, 76, 77, 78, 79, 81, 76, 77, 79, 84, 75, 79, 76, 78 ],
...     [ 66, 69, 76, 72, 79, 77, 74, 77, 71, 79, 74, 66, 67, 73 ]
...  ], dtype=float )
>>> robust.mad(a, axis=1)
array([ 2.22390333,  5.18910776])

Обратите внимание, что по умолчанию это вычисляет надежную оценку стандартного отклонения, предполагая нормальное распределение путем масштабирования результата, коэффициента масштабирования; от help:

Signature: robust.mad(a, 
                      c=0.67448975019608171, 
                      axis=0, 
                      center=<function median at 0x10ba6e5f0>)

Версия в R делает аналогичную нормализацию. Если вы этого не хотите, просто установите c=1.

(Ранее упоминалось, что это находится в statsmodels.robust.scale. Реализация находится в statsmodels/robust/scale.py (см. github), но robust не экспортирует scale, а экспортирует публичные функции в scale.py явно).

Ответ 2

[EDIT] Поскольку это продолжает снижаться: я знаю, что медианное абсолютное отклонение является более часто используемой статистикой, но задающий вопрос задал среднее абсолютное отклонение, и вот как это сделать:

from numpy import mean, absolute

def mad(data, axis=None):
    return mean(absolute(data - mean(data, axis)), axis)

Ответ 3

Для чего это стоит, я использую это для MAD:

def mad(arr):
    """ Median Absolute Deviation: a "Robust" version of standard deviation.
        Indices variabililty of the sample.
        https://en.wikipedia.org/wiki/Median_absolute_deviation 
    """
    arr = np.ma.array(arr).compressed() # should be faster to not use masked arrays.
    med = np.median(arr)
    return np.median(np.abs(arr - med))

Ответ 4

Похоже, что scipy.stats.models был удален в августе 2008 года из-за недостаточной выпечки. Разработка перенесена на statsmodels.

Ответ 5

Это не scipy-версия, но здесь реализация MAD с использованием маскированных массивов для игнорирования плохих значений: http://code.google.com/p/agpy/source/browse/trunk/agpy/mad.py

Изменить: доступна более новая версия здесь.

Изменить 2: Здесь также версия в астрологии здесь.

Ответ 6

Если вам нравится работать в Pandas (как и я), у него есть полезный для среднего абсолютного отклонения:

import pandas as pd
df = pd.DataFrame()
df['a'] = [1, 1, 2, 2, 4, 6, 9]
df['a'].mad()

Выход: 2.3673469387755106

Ответ 7

Я использую:

from math import fabs

a = [1, 1, 2, 2, 4, 6, 9]

median = sorted(a)[len(a)//2]

for b in a:
    mad = fabs(b - median)
    print b,mad

Ответ 8

Я просто изучаю Python и Numpy, но вот код, который я написал, чтобы проверить мою домашнюю работу по математике 7-го класса, которая хотела M (ean) AD двух наборов чисел:

Данные в строках матрицы Numpy:

import numpy as np

>>> a = np.matrix( [ [ 80, 76, 77, 78, 79, 81, 76, 77, 79, 84, 75, 79, 76, 78 ], \\    
... [ 66, 69, 76, 72, 79, 77, 74, 77, 71, 79, 74, 66, 67, 73 ] ], dtype=float )    
>>> matMad = np.mean( np.abs( np.tile( np.mean( a, axis=1 ), ( 1, a.shape[1] ) ) - a ), axis=1 )    
>>> matMad    
matrix([[ 1.81632653],
        [ 3.73469388]])

Данные в массивах Numpy 1D:

>>> a1 = np.array( [ 80, 76, 77, 78, 79, 81, 76, 77, 79, 84, 75, 79, 76, 78 ], dtype=float )    
>>> a2 = np.array( [ 66, 69, 76, 72, 79, 77, 74, 77, 71, 79, 74, 66, 67, 73 ], dtype=float )    
>>> madA1 = np.mean( np.abs( np.tile( np.mean( a1 ), ( 1, len( a1 ) ) ) - a1 ) )    
>>> madA2 = np.mean( np.abs( np.tile( np.mean( a2 ), ( 1, len( a2 ) ) ) - a2 ) )    
>>> madA1, madA2    
(1.816326530612244, 3.7346938775510199)