Ecart type pondéré en NumPy

Question

numpy.average() a une option de pondération, mais numpy.std() ne l'a pas. Quelqu'un a-t-il des suggestions pour une solution ?

Answer 1

Que diriez-vous du court "calcul manuel" suivant ?

def weighted_avg_and_std(values, weights):
    """
    Return the weighted average and standard deviation.

    values, weights -- Numpy ndarrays with the same shape.
    """
    average = numpy.average(values, weights=weights)
    # Fast and numerically precise:
    variance = numpy.average((values-average)**2, weights=weights)
    return (average, math.sqrt(variance))

Answer 2

Voici une autre option :

np.sqrt(np.cov(values, aweights=weights))

Answer 3

Il ne semble pas encore y avoir une telle fonction dans numpy/scipy, mais il y a un ticket proposant cette fonctionnalité ajoutée. Vous y trouverez Statistics.py qui implémente les écarts types pondérés.

Answer 4

Il y a un très bon exemple proposé par gaborous :

import pandas as pd
import numpy as np
# X is the dataset, as a Pandas' DataFrame
mean = mean = np.ma.average(X, axis=0, weights=weights) # Computing the 
weighted sample mean (fast, efficient and precise)

# Convert to a Pandas' Series (it's just aesthetic and more 
# ergonomic; no difference in computed values)
mean = pd.Series(mean, index=list(X.keys())) 
xm = X-mean # xm = X diff to mean
xm = xm.fillna(0) # fill NaN with 0 (because anyway a variance of 0 is 
just void, but at least it keeps the other covariance's values computed 
correctly))
sigma2 = 1./(w.sum()-1) * xm.mul(w, axis=0).T.dot(xm); # Compute the 
unbiased weighted sample covariance

Équation correcte pour la covariance d'échantillon non biaisée pondérée, URL (version : 2016-06-28)