python - 哪个 winsorize 更准确，Python 还是 R

Question

我正在尝试实现一个 winsorization 函数，但对它的确切定义感到困惑。显然，R包中的winsorize函数，DescTool，以及Python库中的winsorize函数，scipy.stats.mstats，产生不同的结果。我对此感到有点惊讶，因为这两个功能都非常受欢迎，但似乎没有人关心它们之间的区别。这是一个简单的测试:

在R

library(DescTools)
data <- seq(0, 99)
Winsorize(data, probs=c(0.025, 1-0.025))

结果是 [2.475, 2.475, 2.475, 3., 4., 5., 6., ..., 96., 96.525, 96.525, 96.525]。

然而，在 Python 中，

import numpy as np
from scipy.stats.mstats import winsorize

data = np.arange(100).astype(np.float)
new_data = winsorize(data, [0.025, 0.025])
new_data

结果是[2., 2., 2., 3., 4., 5., 6., ..., 96., 97., 97. ,97.].

更糟糕的是，基于维基百科的 example ，它应该是 [3., 3., 3., 3., 4., 5., 6., ..., 96., 96., 96. ,96.] 因为第 2.5 个百分位数是 2.475，介于 2 和 3 之间，因此，所有小于 2.475 的值都应四舍五入为 3。

有人知道我应该实现哪个版本吗？

谢谢

Answer 1

这似乎是分位数定义方式的不同。 R 默认使用连续分位数函数，?quantile 的“类型 7”下的 9 种分位数列表中对此进行了描述。如果您在 DescTools::Winsorize 中使用 type = 1，结果似乎与 scipy.stats.mstats 中的 winsorize 匹配(仅基于问题中显示的输出)。

library(DescTools)
data <- seq(0, 99)
Winsorize(data, probs=c(0.025, 1-0.025), type = 1)
#   [1]  2  2  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
#  [34] 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65
#  [67] 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 97
# [100] 97

这 9 种方法都没有产生该示例的维基百科页面上显示的输出。虽然那里没有引文，所以我不会考虑太多。