Автор оригинала: Team Python Pool.
В модуле Numpy мы обсудили множество функций, используемых для работы с многомерным массивом. Иногда мы приходим к ситуации, когда нам нужно найти ковариацию данной матрицы. Итак, в библиотеке numpy есть функция, то есть функция numpy cov (). В этом уроке мы обсудим понятие функции Numpy cov (), которая является мерой силы корреляции между двумя или более чем двумя наборами переменных и называется ковариацией.
Что такое функция numpy cov ()?
Функция Numpy cov (), используемая для измерения силы корреляции между двумя или более чем двумя наборами переменных, называется ковариацией . Элемент ковариационной матрицы C ij является ковариацией xi и xj. Элемент Cii-это дисперсия xi.
- Если COV(xi, то переменные называются некоррелированными
- Если COV(xi, xj) > 0, то говорят, что переменные положительно коррелированы
- а если COV(xi, xj) < 0, то говорят, что переменные отрицательно коррелированы
Квадратная по форме и симметричная матрица, используемая для описания ковариации между двумя или более чем двумя наборами переменных, называется ковариационной матрицей.
Синтаксис
numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None, dtype = None)
Параметры
- m: Это массивоподобный вход. Это 1D или 2D массив, который имеет несколько переменных. В разделе переменные-это столбцы.
- y: Это массивоподобный необязательный вход. Это дополнительный набор из которого имеет ту же форму, что и у m.
- row var: Это логическое значение, которое является необязательным входом. Если логическое значение row var равно True, то каждая строка представляет переменную с наблюдениями в столбцах. В противном случае отношения становятся транспонированными. По умолчанию значение row var равно True.
- bias: Это логическое значение, которое является необязательным входом. По умолчанию нормализация имеет значение false; если установлено значение True, то она нормализует точки данных.
- ddof: Это целочисленное значение, которое является необязательным входом. Если значение по умолчанию равно not None, то смещение переопределяется. Если, то он вернет непредвзятую оценку, даже если указаны как fweights, так и aweights.
- weights: Это массивное целочисленное значение и необязательный ввод. Это массив 1D, который говорит нам о частотных весах.
- weights: Это массивное целочисленное значение и необязательный ввод. Это 1D-массив, который дает наблюдение за векторными весами.
- type: Это тип данных, который является необязательным входом.
Возвращаемое значение функции numpy cov()
Возвращаемое значение функции представляет собой массив ковариационной матрицы.
Примеры функции Numpy cov()
Здесь мы обсудим, как мы можем написать cov() из пакета numpy python.
1. Печать ковариации матрицы
В этом примере мы будем импортировать библиотеку numpy. Затем мы возьмем входные данные в виде массива из numpy и применим функцию cov (). Следовательно, мы можем видеть ковариационную матрицу входного массива. Давайте рассмотрим этот пример для более детального понимания концепции.
#import numpy library
import numpy as np
arr = np.array([[0, 1, 2], [1, 2, 4], [3, 4, 5]])
print("Covarinace matrix of arr: \n", np.cov(arr))
Выход:
Covarinace matrix of arr: [[1. 1.5 1. ] [1.5 2.33333333 1.5 ] [1. 1.5 1. ]]
Объяснение:
- Во-первых, мы импортируем библиотеку numpy с псевдонимом np.
- Затем мы возьмем входной массив в переменной arr с помощью модуля numpy.
- После этого мы применим функцию cov() с помещением внутрь входного массива.
- Наконец-то мы напечатали результат.
- Следовательно, вы можете видеть ковариационную матрицу в качестве выходного сигнала.
2. Принимая два массива и ось в качестве параметра
В этом примере мы будем импортировать библиотеку numpy. Затем мы возьмем два входных массива и ось как 0 и 1. Затем примените функцию numpy cov (), которая вычислит ковариационную матрицу и выведет ее на печать. Давайте рассмотрим этот пример для более детального понимания концепции.
#import numpy library
import numpy as np
arr = [1.23, 2.12, 3.34, 4.5]
arr1= [2.56, 2.89, 3.76, 3.95]
# find out covariance with respect columns
out = np.stack((arr, arr1), axis = 0)
print(np.cov(out))
print("\n")
out1 = np.stack((arr, arr1), axis = 1)
print(np.cov(out1))
Выход:
[[2.03629167 0.9313 ] [0.9313 0.4498 ]] [[ 0.88445 0.51205 0.2793 -0.36575] [ 0.51205 0.29645 0.1617 -0.21175] [ 0.2793 0.1617 0.0882 -0.1155 ] [-0.36575 -0.21175 -0.1155 0.15125]]
Объяснение:
- Во-первых, мы импортируем библиотеку numpy с псевдонимом np.
- Затем мы возьмем входной массив как arr и arr1.
- После этого мы применим функцию numpy stack() с массивом и осью в качестве параметра 0 и 1.
- Мы применили обе оси и сохранили выходные данные в переменных out и out 1.
- Наконец, мы напечатаем оба вывода.
- Следовательно, вы можете увидеть разницу между выходными данными, применив обе оси, и ковариация будет напечатана.
3. Принятие rowvar в качестве параметра
В этом примере мы будем импортировать библиотеку numpy. Затем мы возьмем входной массив со строкой var в качестве параметра. Затем мы применим функцию numpy cov() для вычисления ковариационной матрицы. Давайте рассмотрим этот пример для более детального понимания концепции.
#import numpy library
import numpy as np
arr = np.array([[0, 1, 2], [1, 2, 4], [3, 4, 5]])
print("Covarinace matrix of arr: \n", np.cov(arr, rowvar =True))
Выход:
Covarinace matrix of arr: [[1. 1.5 1. ] [1.5 2.33333333 1.5 ] [1. 1.5 1. ]]
Объяснение:
- Во-первых, мы импортируем библиотеку numpy с псевдонимом np.
- Затем мы возьмем входной массив в переменной arr с помощью модуля numpy.
- После этого мы применим функцию cov() с массивом и строкой var в качестве параметра.
- Наконец-то мы напечатали результат.
- Следовательно, вы можете видеть ковариационную матрицу в качестве выходного сигнала.
Также Смотрите
- Python Обмен двумя переменными с помощью программирования на Python
- Сложение матриц в Python | Сложение двух матриц
- 4 Способа использования случайной нормальной функции Numpy в Python
Вывод
В этом уроке мы познакомились с концепцией функции numpy cov (). Мы уже видели, что такое функция numpy cov() с ее синтаксисом и параметрами. Мы также обсудили все способы, с помощью которых мы используем данную функцию. Все способы подробно объясняются с помощью примеров. Вы можете использовать любую из функций в соответствии с вашим выбором и вашими требованиями в программе.
Однако, если у вас есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.