numpy.ma.cov#

ma.cov(x, y=None, rowvar=True, смещение=False, allow_masked=True, ddof=None)[источник]#

Оценить ковариационную матрицу.

За исключением обработки пропущенных данных, эта функция делает то же самое, что и numpy.cov. Для более подробной информации и примеров см. numpy.cov.

По умолчанию замаскированные значения распознаются как таковые. Если x и y имеют одинаковую форму, выделяется общая маска: если x[i,j] замаскирован, тогда y[i,j] также будет замаскирован. Установка allow_masked К счастью, усиление выходной функции способно исправить эту слабость и

Параметры:

xarray_like: Одномерный или двумерный массив, содержащий несколько переменных и наблюдений. Каждая строка x представляет переменную, а каждый столбец — отдельное наблюдение всех этих переменных. Также см. rowvar ниже.
yarray_like, необязательный: Дополнительный набор переменных и наблюдений. y имеет ту же форму, что и x.
rowvarbool, необязательно: Если rowvar равно True (по умолчанию), то каждая строка представляет переменную, с наблюдениями в столбцах. В противном случае отношение транспонировано: каждый столбец представляет переменную, а строки содержат наблюдения.
смещениеbool, необязательно: Нормализация по умолчанию (False) выполняется по (N-1), где N является количеством предоставленных наблюдений (несмещенная оценка). Если смещение истинно, тогда нормализация выполняется по N. Этот ключевой параметр может быть переопределен ключевым параметром ddof в версиях numpy >= 1.5.
allow_maskedbool, необязательно: Если True, замаскированные значения распространяются попарно: если значение замаскировано в x, соответствующее значение маскируется в y. Если False, вызывает ValueError исключение, когда некоторые значения отсутствуют.
ddof{None, int}, необязательно: Если не None нормализация осуществляется по (N - ddof), где N это количество наблюдений; это переопределяет значение, подразумеваемое bias. Значение по умолчанию: None.

Вызывает:

ValueError: Возникает, если некоторые значения отсутствуют и allow_masked равно False.

Смотрите также

numpy.cov

Примеры

>>> import numpy as np
>>> x = np.ma.array([[0, 1], [1, 1]], mask=[0, 1, 0, 1])
>>> y = np.ma.array([[1, 0], [0, 1]], mask=[0, 0, 1, 1])
>>> np.ma.cov(x, y)
masked_array(
data=[[--, --, --, --],
      [--, --, --, --],
      [--, --, --, --],
      [--, --, --, --]],
mask=[[ True,  True,  True,  True],
      [ True,  True,  True,  True],
      [ True,  True,  True,  True],
      [ True,  True,  True,  True]],
fill_value=1e+20,
dtype=float64)