mean_variance_axis

sklearn.utils.sparsefuncs.mean_variance_axis(X, axis, weights=None, return_sum_weights=False)

Berechnet Mittelwert und Varianz entlang einer Achse auf einer CSR- oder CSC-Matrix.

Parameter:

Xspärliche Matrix der Form (n_samples, n_features)

Eingabedaten. Sie können im CSR- oder CSC-Format vorliegen.

axis{0, 1}

Achse, entlang der die Achse berechnet werden soll.

weightsndarray der Form (n_samples,) oder (n_features,), Standard=None

Wenn axis auf 0 gesetzt ist, ist die Form (n_samples,) oder wenn axis auf 1 gesetzt ist, ist die Form (n_features,). Wenn es auf None gesetzt ist, werden die Stichproben gleich gewichtet.

Hinzugefügt in Version 0.24.

return_sum_weightsbool, Standard=False

Wenn True, gibt die Summe der für jedes Merkmal gesehenen Gewichte zurück, wenn axis=0 oder für jede Stichprobe, wenn axis=1.

Hinzugefügt in Version 0.24.

Gibt zurück:

meansndarray der Form (n_features,), dtype=floating

Merkmalweise Mittelwerte.

variancesndarray der Form (n_features,), dtype=floating

Merkmalweise Varianzen.

sum_weightsndarray der Form (n_features,), dtype=floating

Zurückgegeben, wenn return_sum_weights auf True gesetzt ist.

Beispiele

>>> from sklearn.utils import sparsefuncs
>>> from scipy import sparse
>>> import numpy as np
>>> indptr = np.array([0, 3, 4, 4, 4])
>>> indices = np.array([0, 1, 2, 2])
>>> data = np.array([8, 1, 2, 5])
>>> scale = np.array([2, 3, 2])
>>> csr = sparse.csr_matrix((data, indices, indptr))
>>> csr.todense()
matrix([[8, 1, 2],
        [0, 0, 5],
        [0, 0, 0],
        [0, 0, 0]])
>>> sparsefuncs.mean_variance_axis(csr, axis=0)
(array([2.  , 0.25, 1.75]), array([12.    ,  0.1875,  4.1875]))