Преобразуйте Z-счет (Z-значение, стандартный счет) к p-значению для нормального распределения в Python
Как отметил @FelixKling, наиболее вероятным сценарием является то, что узлы, которые вы ищете, еще не существуют.
Однако современные методы разработки часто могут манипулировать элементами документа за пределами дерева документов либо с DocumentFragments, либо просто отсоединением / повторным подключением текущих элементов напрямую. Такие методы могут использоваться как часть шаблонов JavaScript или для предотвращения чрезмерных операций перерисовки / переплавки, в то время как элементы, о которых идет речь, сильно изменяются.
Аналогично, новая функциональность «Теневой DOM» развертывается в современных браузерах позволяет элементам быть частью документа, но не обрабатываться запросом document.getElementById и всеми его методами sibling (querySelector и т. д.). Это делается для инкапсуляции функциональных возможностей и, в частности, скрыть его.
Опять же, скорее всего, элемент, который вы ищете, просто (пока) в документе, и вы должны сделать, как предлагает Феликс , Тем не менее, вы также должны знать, что это все чаще является не единственной причиной того, что элемент может быть необоснованным (временно или постоянно).
3 ответа
Мне немного больше нравится функция выживания (вероятность верхнего хвоста) нормального распределения, потому что имя функции более информативно:
p_values = scipy.stats.norm.sf(abs(z_scores)) #one-sided
p_values = scipy.stats.norm.sf(abs(z_scores))*2 #twosided
нормальное распределение "norm" является одним из примерно 90 распределений в scipy.stats
norm.sf также вызывает соответствующую функцию в scipy.special, как в примере gotgenes
, небольшое преимущество функции выживания, sf: числовая точность должна быть лучше для квантилей, близких к 1, чем при использовании cdf
p_value = scipy.stats.norm.pdf(abs(z_score_max)) #one-sided test
p_value = scipy.stats.norm.pdf(abs(z_score_max))*2 # two - sided test
функция плотности вероятности (PDF) функция в урожаях Python оценивает p-значения, которые оттянуты из таблицы z-счета в книге статистики введения/AP.
Aha! I found it: scipy.special.ndtr! Похоже, что это также находится под scipy.stats.stats.zprob (который является просто указателем на ndtr).
В частности, учитывая одномерный numpy.array экземпляр z_scores, можно получить p-значения как
p_values = 1 - scipy.special.ndtr(z_scores)
или альтернативно
p_values = scipy.special.ndtr(-z_scores)