它似乎SciPy的一次提供的功能mad来计算一组数字的平均绝对偏差：我在哪里可以找到疯狂（平均绝对偏差）在scipy？
http://projects.scipy.org/scipy/browser/trunk/scipy/stats/models/utils.py?rev=3473
不过，我不能在任何地方的SciPy的当前版本中找到它。当然，可以从存储库复制旧代码，但我更喜欢使用scipy的版本。我在哪里可以找到它，或者它已被替换或删除？
statsmodels的当前版本具有mad在statsmodels.robust：
>>> import numpy as np
>>> from statsmodels import robust
>>> a = np.matrix([
... [ 80, 76, 77, 78, 79, 81, 76, 77, 79, 84, 75, 79, 76, 78 ],
... [ 66, 69, 76, 72, 79, 77, 74, 77, 71, 79, 74, 66, 67, 73 ]
... ], dtype=float)
>>> robust.mad(a, axis=1)
array([ 2.22390333, 5.18910776])
请注意，默认情况下，此计算标准偏差的稳健估计值，假定正态分布通过缩放结果得到一个缩放因子;从help：
Signature: robust.mad(a,
c=0.67448975019608171,
axis=0,
center=<function median at 0x10ba6e5f0>)
在R版本也有类似的正常化。如果你不想要这个，显然只需设置c=1。
（较早的评论在statsmodels.robust.scale提到这一点的存在，其实现是statsmodels/robust/scale.py（见github），但robust包不出口scale，而是在scale.py出口的公共职能明确。）
由于烘烤不足，它看起来像2008年8月的scipy.stats.models为removed。开发已迁移到statsmodels。
是的，大部分旧的stats.models是scikits.statsmodels的基础，经过大量的清理。 MAD位于底部页面http://statsmodels.sourceforge.net/rlm.html作为线性模型的稳健估计的一部分，但我从未单独使用它，因为它只是几行。 – user333700
上述链接已损坏，因此我在statsmodels上找到[this one]（http://statsmodels.sourceforge.net/devel/generated/statsmodels.robust.scale.mad.html?highlight=median%20absolute%20deviation）文档。 – gabra
这不是SciPy的版本，但这里使用屏蔽阵列忽略坏值MAD的实现： http://code.google.com/p/agpy/source/browse/trunk/agpy/mad.py
编辑：最近的一个版本可用here。
编辑2：还有一个版本在astropy here。
[编辑]由于这种不断得到downvoted：我知道平均绝对偏差是一个比较常用的统计数据，但要求提问意味着绝对偏差，这里是如何做到这一点：
from numpy import mean, absolute
def mad(data, axis=None):
return mean(absolute(data - mean(data, axis)), axis)
我使用：
from math import fabs
a = [1, 1, 2, 2, 4, 6, 9]
median = sorted(a)[len(a)//2]
for b in a:
mad = fabs(b - median)
print b,mad
当样本数为偶数时，这不起作用。 – heroxbd
对于它的价值，我用什么本作MAD：
def mad(arr):
""" Median Absolute Deviation: a "Robust" version of standard deviation.
Indices variabililty of the sample.
https://en.wikipedia.org/wiki/Median_absolute_deviation
"""
arr = np.ma.array(arr).compressed() # should be faster to not use masked arrays.
med = np.median(arr)
return np.median(np.abs(arr - med))
不错的解决方案;然而，提问者询问**平均**绝对偏差。你提供了**中位**绝对偏差。 –
我只是学习Python和NumPy的，但这里是我写检查哪曾想2台数的M（EAN）AD我七年级学生的数学作业代码：
在numpy的矩阵数据行：
import numpy as np
>>> a = np.matrix([ [ 80, 76, 77, 78, 79, 81, 76, 77, 79, 84, 75, 79, 76, 78 ], \\
... [ 66, 69, 76, 72, 79, 77, 74, 77, 71, 79, 74, 66, 67, 73 ] ], dtype=float)
>>> matMad = np.mean(np.abs(np.tile(np.mean(a, axis=1), (1, a.shape[1])) - a), axis=1)
>>> matMad
matrix([[ 1.81632653],
[ 3.73469388]])
数据在numpy的一维数组：
>>> a1 = np.array([ 80, 76, 77, 78, 79, 81, 76, 77, 79, 84, 75, 79, 76, 78 ], dtype=float)
>>> a2 = np.array([ 66, 69, 76, 72, 79, 77, 74, 77, 71, 79, 74, 66, 67, 73 ], dtype=float)
>>> madA1 = np.mean(np.abs(np.tile(np.mean(a1), (1, len(a1))) - a1))
>>> madA2 = np.mean(np.abs(np.tile(np.mean(a2), (1, len(a2))) - a2))
>>> madA1, madA2
(1.816326530612244, 3.7346938775510199)
如果你喜欢在Pandas工作（像我一样），它有一个非常有用function for the mean absolute deviation：
import pandas as pd
df = pd.DataFrame()
df['a'] = [1, 1, 2, 2, 4, 6, 9]
df['a'].mad()
输出：2.3673469387755106
使用numpy只：
def meanDeviation(numpyArray):
mean = np.mean(numpyArray)
f = lambda x: abs(x - mean)
vf = np.vectorize(f)
return (np.add.reduce(vf(numpyArray)))/len(numpyArray)
不好意思，在[github存储库]（https://github.com/scipy/scipy）中搜索没有给我任何东西。 –
从头开始编写它很难吗？ –
@RomanSusi，不，但正如我在问题中所说的，那不是重点。 –