增量计算均值和方差（沿轴）

sklearn.utils.sparsefuncs.incr_mean_variance_axis(X, *, axis, last_mean, last_var, last_n, weights=None)

在CSR或CSC矩阵上沿指定轴计算增量均值和方差。

last_mean、last_var是该函数上一步计算的统计量。两者都必须初始化为大小正确的0数组，即X的特征数。last_n是到目前为止遇到的样本数。

参数：

X形状为(n_samples, n_features)的CSR或CSC稀疏矩阵

输入数据。

axis{0, 1}

应计算轴的轴。

last_mean形状为(n_features,)或(n_samples,)的ndarray，dtype=floating

使用新数据X更新的均值数组。如果axis=0，则形状应为(n_features,)；如果axis=1，则形状应为(n_samples,)。

last_var形状为(n_features,)或(n_samples,)的ndarray，dtype=floating

用于更新新数据 X 的方差数组。如果 axis=0，则形状应为 (n_features,)；如果 axis=1，则形状应为 (n_samples,)。

last_n浮点数或形状为 (n_features,) 或 (n_samples,) 的 ndarray，dtype=floating

迄今为止看到的权重之和，不包括当前权重。如果不是浮点数，则如果 axis=0，其形状应为 (n_features,)；如果 axis=1，则形状应为 (n_samples,)。如果是浮点数，则表示所有样本（或特征）的权重相同。

weights形状为 (n_samples,) 或 (n_features,) 的 ndarray，默认为 None

如果 axis 设置为 0，则形状为 (n_samples,)；如果 axis 设置为 1，则形状为 (n_features,)。如果设置为 None，则样本权重相等。

0.24 版本中新增。

返回:

means形状为 (n_features,) 或 (n_samples,) 的 ndarray，dtype=floating

如果 axis = 0，则为更新后的特征均值；如果 axis = 1，则为更新后的样本均值。

variances形状为 (n_features,) 或 (n_samples,) 的 ndarray，dtype=floating

如果 axis = 0，则为更新后的特征方差；如果 axis = 1，则为更新后的样本方差。

n形状为 (n_features,) 或 (n_samples,) 的 ndarray，dtype=integral

如果 axis=0，则为更新后每个特征看到的样本数；如果 axis=1，则为更新后每个样本看到的特征数。

如果 weights 不为 None，则 n 为看到的样本或特征的权重之和，而不是实际看到的样本或特征数。

注释

算法中忽略 NaN 值。

示例

>>> 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.incr_mean_variance_axis(
...     csr, axis=0, last_mean=np.zeros(3), last_var=np.zeros(3), last_n=2
... )
(array([1.3..., 0.1..., 1.1...]), array([8.8..., 0.1..., 3.4...]),
array([6., 6., 6.]))