python-igraph API 参考

模块文档

igraph 中与统计相关的内容

类	`FittedPowerLaw`	拟合幂律到样本向量的结果
类	`Histogram`	实数的通用直方图类
类	`RunningMean`	运行平均值计算器。
函数	`mean`	返回可迭代对象的平均值。
函数	`median`	返回未排序或已排序数值向量的中位数。
函数	`percentile`	返回未排序或已排序数值向量的第 p 个百分位数。
函数	`power_law_fit`	将幂律分布拟合到经验数据
函数	`quantile`	返回未排序或已排序数值向量的第 q 个分位数。
函数	`sd`	返回可迭代对象的标准差。
函数	`var`	返回可迭代对象的方差。

def mean(xs): ¶

返回可迭代对象的平均值。

示例

>>> mean([1, 4, 7, 11])
5.75

参数
xs	一个产生数字的可迭代对象。
返回值
可迭代对象提供的数字的平均值。
参见
RunningMean() 如果您还需要方差或标准差

def median(xs, sort=True): ¶

返回未排序或已排序数值向量的中位数。

参数
xs	向量本身。
sort	是否对向量进行排序。如果您知道向量已经排序，请传递`False`此处。
返回值
中位数，它始终是一个浮点数，即使向量最初包含整数。

def percentile(xs, p=(25, 50, 75), sort=True): ¶

返回未排序或已排序数值向量的第 p 个百分位数。

这等同于调用 quantile(xs, p/100.0); 有关计算的更多详细信息，请参见 quantile。

示例

>>> round(percentile([15, 20, 40, 35, 50], 40), 2)
26.0
>>> for perc in percentile([15, 20, 40, 35, 50], (0, 25, 50, 75, 100)):
...     print("%.2f" % perc)
...
15.00
17.50
35.00
45.00
50.00

参数
xs	向量本身。
p	我们正在寻找的百分位数。如果您想通过一次调用计算多个分位数，它也可以是一个列表。默认值计算第 25、50 和 75 个百分位数。
sort	是否对向量进行排序。如果您知道向量已经排序，请传递`False`此处。
返回值
第 p 个百分位数，它始终是一个浮点数，即使向量最初包含整数。如果 p 是一个列表，则结果也将是一个列表，其中包含列表中每个项目的百分位数。

def power_law_fit(data, xmin=None, method='auto', return_alpha_only=False): ¶

将幂律分布拟合到经验数据

参数
数据	要拟合的数据，一个包含整数值的列表
xmin	拟合幂律的下限。如果`None`，也将估计最佳 xmin 值。零表示将使用尽可能小的 xmin 值。
method	要使用的拟合方法。到目前为止，已实现以下方法 `continuous`, `hill`: 当输入数据来自连续尺度时，进行精确的最大似然估计。这被称为 Hill 估计器。该估计器的统计误差为 (alpha − 1) ⁄ sqrt(n)，其中 alpha 是估计的指数，n 是高于 xmin 的数据点数。已知该估计器表现出 O(n⁻1) 阶的有限小样本量偏差，当 n > 100 时，该偏差很小。如果 n 很小，igraph 将尝试补偿有限的样本量。 `discrete`: 当输入来自离散尺度时，进行精确的最大似然估计（请参见参考文献中的 Clauset 等人）。 `auto`: 精确的最大似然估计，如果输入向量包含至少一个小数值，则使用连续方法，如果输入向量仅包含整数，则使用离散方法。
return_alpha_only	未归档
返回值
一个 `FittedPowerLaw` 对象。拟合`xmin`值和幂律指数可以从`xmin`和`alpha`返回对象的属性中查询。
未知字段：newfield
ref	参考
未知字段：ref
MEJ Newman：Power laws, Pareto distributions and Zipf's law. Contemporary Physics 46, 323-351 (2005)
A Clauset, CR Shalizi, MEJ Newman: Power-law distributions in empirical data. E-print (2007). arXiv:0706.1062

def quantile(xs, q=(0.25, 0.5, 0.75), sort=True): ¶

返回未排序或已排序数值向量的第 q 个分位数。

计算样本分位数的方法有很多种。 igraph 实现的方法是 NIST 推荐的方法。首先，我们将等级 n 计算为 q(N+1)，其中 N 是 xs 中的项目数，然后我们将 n 分解为其整数分量 k 和十进制分量 d。如果 k <= 1，则返回第一个元素；如果 k >= N，则返回最后一个元素，否则我们使用因子 d 返回 xs[k-1] 和 xs[k] 之间的线性插值。

示例

>>> round(quantile([15, 20, 40, 35, 50], 0.4), 2)
26.0

参数
xs	向量本身。
q	我们正在寻找的分位数。如果您想通过一次调用计算多个分位数，它也可以是一个列表。默认值计算第 25、50 和 75 个百分位数。
sort	是否对向量进行排序。如果您知道向量已经排序，请传递`False`此处。
返回值
第 q 个分位数，它始终是一个浮点数，即使向量最初包含整数。如果 q 是一个列表，则结果也将是一个列表，其中包含列表中每个项目的分位数。

def sd(xs): ¶

返回可迭代对象的标准差。

示例

>>> sd([1, 4, 7, 11])       #doctest:+ELLIPSIS
4.2720...

参数
xs	一个产生数字的可迭代对象。
返回值
可迭代对象提供的数字的标准差。
参见
RunningMean() 如果您还需要平均值

def var(xs): ¶

返回可迭代对象的方差。

示例

>>> var([1, 4, 8, 11])            #doctest:+ELLIPSIS
19.333333...

参数
xs	一个产生数字的可迭代对象。
返回值
可迭代对象提供的数字的方差。
参见
RunningMean() 如果您还需要平均值

igraph.statistics

`igraph.statistics`