Numpy Covariance

Obliczamy ich macierz kowariancji, aby określić zależność między dwoma zestawami zmiennych. Matryca kowariancji omawia związek między dwiema zmiennymi i tablicami. Wtedy mamy zestaw danych przedstawiony w postaci wielowymiarowej tablicy lub macierzy, i chcemy poznać zależność między elementami tablic, co oznacza, jak wpływa na zmianę jednego elementu w zestawie danych drugi punkt danych lub element tablicy. Aby wiedzieć o tej relacji, używamy metody kowariancji. Jeśli elementy tablicy mają bezpośrednią relację, wówczas macierz kowariancji, mówi się, że jest pozytywnie skorelowana. Albo jest to ujemnie skorelowane.

Procedura

Metody stosowania funkcji kowariancji macierz () zostaną omówione w artykule. Wyjaśnimy metodologię roboczą i użycie tej funkcji pod względem wymaganych parametrów, a następnie wypróbujemy różne przykłady związane z tą funkcją.

Składnia

Funkcja Pythona dla macierzy kowariancji podano w skrypcie Python:

$ Numpy. COV (nazwa array_name, oś)

Funkcja Cov () przyjmuje dwa parametry wejściowe, a ich opis jest szczegółowo podany w następujący sposób:

array_name: To nazwa tablicy, której kowariancja chcemy obliczyć za pomocą metody macierzy kowariancji Numpy.

oś: Oś jest parametrem opcjonalnym i mówi o wymiaru tablicy, której macierz kowariancji ma być obliczona.

Wartość zwracana

Wartość zwracana funkcji kowariancji macierz () jest kwadratową macierzą określonego wymiaru, który zawiera informacje o korelacji między zestawami dwóch lub nawet więcej niż dwiema zmiennymi. Krótko mówiąc, metoda kowariancji powoduje macierz kowariancji.

Przykład 1

Możemy znaleźć korelację między elementami tablicy, aby znaleźć, w jaki sposób zmiana jednego elementu odzwierciedla zmianę innego elementu. Tak więc, dla pierwszego przykładu, zaczniemy od tablicy 1D i spróbujemy znaleźć korelację między elementami tej tablicy. Użyjemy środowiska open source uznanego za „Spyder” do napisania programu w kompilatorze Python. Przygotujemy powłokę Pythona, tworząc projekt i zapisując go w katalogu plików Python. Przykład ma do czynienia z tablicami, więc najpierw zainstalujemy ważny pakiet przez okno terminalu i zainstalujemy pakiety „Numpy”.

Numpy jest jednym z pakietów wśród bibliotek Python, które zajmują się macierzami i operacjami matrycowymi. Z zainstalowanych pakietów Numpy zintegrujemy moduł Numpy jako prefiks „PN”. Odbywa się to w celu użycia PN przy każdym wywołaniu funkcji dla różnych funkcji dostarczanych przez Numpy zamiast używania Numpy na całym świecie. Teraz użyjemy PN i przy pomocy metody „PN. array () ”, zadeklarujemy 1-wymiarową tablicę z losowo zainicjowanymi elementami jako„ [2, 3, 5, 8] ”. Użyjemy tej tablicy, aby znaleźć jej macierz kowariancji za pomocą funkcji macierzy kowariancji jako „PN. COV (array_name) ”.

Zamiast nazwy array_name w parametrze funkcji zastąpimy nazwę tablicy, którą zdefiniowaliśmy i wydrukujemy wyniki z tego wywołania funkcji. Program w skrypcie Pythona opisano na poniższym rysunku:

importować Numpy jako NP
ARR = [2, 3, 5, 8]
# Dowiedz się kowariancji tablicy
covaraince_matrix = np.COV ((ARR))
Drukuj (covaraince_matrix)

Program spowodował macierz kowariancji tablicy, którą nadaliśmy parametrze funkcji kowariancji (). Z tej matrycy, jeśli wartości są większe niż zero, mówi się, że elementy są pozytywnie skorelowane.

Przykład 2

Ten przykład obejmie również kroki do napisania programu w języku Python w celu obliczenia macierzy kowariancji dla tablicy dwupoziomowej. W programie zaimportujemy z zainstalowanych pakietów moduł Numpy z nazwą „PN”, który pozwoli na deklarację tablicy 2D i skorzystaj z funkcji macierzy kowariancji Numpy, abyśmy mogli obliczyć macierz kowariancji tablicy.

Aby utworzyć tablicę 2D, przypomnij metodę „PN. array () ”i przekazuj elementy tablicy jako„ [[1, 2, 3, 4], [8, 7, 9, 2]] ”. Zapisamy tę tablicę w zmiennej jako „ARR”. Przekażemy ARR do parametru macierzy kowariancji () jako „PN. tablica (ARR) „Ta funkcja będzie następnie obliczyć kowariancję dla nr 2D i wyświetlaj wyniki na ekranie, wywołamy metodę print (). Wyniki funkcji i programu są reprezentowane na poniższym rysunku:

importować Numpy jako NP
Arr = [[1, 2, 3, 4], [8, 7, 9, 2]].
# Dowiedz się kowariancji między dwiema zmiennymi
covaraince_matrix = np.COV ((ARR))
Drukuj (covaraince_matrix)

Przykład 3

Dwa poprzednie przykłady pokazały metody obliczania kowariancji dla tablicy 1D i tablicy 2D, a korelacja została obliczona dla elementów tej samej tablicy. W tym przykładzie znajdziemy kowariancję między dwiema różnymi tablicami lub zestawem zmiennych. Zintegrujemy pakiet Numpy jako „PN”. Zdefiniujemy dwie zmienne „A” i „B” i nadamy im wartości jako „[2, 4, 6, 7]” i „[3, 5, 7, 8]”. Aby zrozumieć korelację między tymi dwoma zestawami zmiennych, nazwiemy metodę „PN. COV (a, b) ”i wyświetli się na ekranie wyniki według funkcji print (). Wyświetliliśmy wyniki programu na poniższym rysunku:

importować Numpy jako NP
A = [[2, 4, 6, 7]
B = [3, 5, 7, 8]].
# Dowiedz się kowariancji między dwiema zmiennymi
covaraince_matrix = np.COV ((a, b))
Drukuj (covaraince_matrix)

Wyświetlana macierz kowariancji to dwuwymiarowa macierz kwadratowa z elementami pokazującymi, że dwie zmienne są dodatnio skorelowane.

Wniosek

W tym artykule wyjaśniono metodologię roboczą funkcji macierzy kowariancji. Matryca kowariancji jest funkcją pakietów Numpy i znajduje macierz, która wyjaśnia korelację między dwiema zmiennymi lub z samych zmiennych. Podaliśmy szczegółowy opis tego tematu i wdrożyliśmy trzy przykłady przy użyciu składni opisanej w artykule dla tej funkcji.