看看scipy和{},以防你还没有。如果你对MATLAB有一定的了解,那么切换应该相对容易一些。我从this SO response获取了这段简短片段:
import numpy as np
import scipy as sp
import scipy.stats
def mean_confidence_interval(data, confidence=0.95):
a = 1.0*np.array(data)
n = len(a)
m, se = np.mean(a), scipy.stats.sem(a)
h = se * sp.stats.t.ppf((1+confidence)/2., n-1)
return m, m-h, m+h
bootstrap可以用来估计样本中任何函数(} 。在
np.mean
,st.genextreme.fit
,等等)的置信区间,并且有一个Python库:^{以下是作者相关问题question中的数据:
结果是
^{pr2}$在我的机器上引导大约需要3分钟;默认情况下,},并且{}不是超快速的。在
boot.ci
使用10000次引导迭代(n_samples
),请参见code或{来自} 的置信区间不完全匹配。E、 g.,MATLAB给出了第一个参数(0.0144)的对称值[-0.3032,0.3320]。在
boot.ci
的置信区间与来自MATLAB的^{看看},以防你还没有。如果你对MATLAB有一定的了解,那么切换应该相对容易一些。我从this SO response获取了这段简短片段:
scipy
和{你应该能够定制你喜欢的回报。与MATLAB
gevfit
函数一样,它默认使用95%的置信区间。在相关问题 更多 >
编程相关推荐