Numpy Covariance

Calcoliamo la loro matrice di covarianza per determinare la relazione tra due set variabili. La matrice di covarianza discute la relazione tra le due variabili e le array. Questo è quando abbiamo un set di dati rappresentato sotto forma di un array multidimensionale o della matrice, e vogliamo conoscere la relazione tra gli elementi degli array, il che significa che la modifica in un elemento nel set di dati influisce l'altro punto dati o l'elemento dell'array. Quindi, per conoscere questa relazione, utilizziamo il metodo di covarianza. Se gli elementi dell'array hanno una relazione diretta tra loro, si dice che la matrice di covarianza sia positivamente correlata. Oppure, è negativamente correlato.

Procedura

I metodi per utilizzare la funzione covarianza () saranno discussi nell'articolo. Spiegheremo la metodologia di lavoro e l'uso di questa funzione in termini di parametri richiesti, quindi proveremo diversi esempi relativi a questa funzione.

Sintassi

La funzione Python per la matrice di covarianza è riportata nella sceneggiatura Python:

$ numpy. Cov (Array_Name, Asse)

La funzione Cov () assume i due parametri di input e la loro descrizione è fornita in dettaglio come segue:

Array_name: Questo è il nome dell'array la cui covarianza vogliamo calcolare usando il metodo della matrice di covarianza numpy.

asse: L'asse è un parametro opzionale e parla della dimensione dell'array la cui matrice di covaria.

Valore di ritorno

Il valore di ritorno della funzione di matrice di covarianza () è la matrice quadrata di una dimensione specifica che ha le informazioni sulla correlazione tra gli insiemi di due o anche più di due variabili. In parole semplici, il metodo di covarianza provoca la matrice di covarianza.

Esempio 1

Possiamo trovare la correlazione tra gli elementi dell'array per scoprire come un cambiamento in un elemento riflette il cambiamento di un altro elemento. Quindi, per il primo esempio, inizieremo con l'array 1D e proveremo a scoprire la correlazione tra gli elementi di questo array. Useremo l'ambiente open source riconosciuto come "spyder" per scrivere il programma nel compilatore Python. Prepareremo la shell Python creando un progetto e salvandolo nella directory dei file Python. L'esempio deve gestire gli array, quindi installeremo prima il pacchetto importante attraverso la finestra del terminale e installeremo i pacchetti per il "numpy".

Numpy è uno dei pacchetti tra le biblioteche Python che si occupano di matrici e operazioni di matrice. Dai pacchetti installati di Numpy, integremo il modulo Numpy come prefisso "PN". Questo viene fatto per utilizzare il PN con ogni funzione di funzione per le varie funzioni fornite dal numpy invece di usare il numpy ovunque. Ora useremo il PN e con l'aiuto del metodo “PN. Array () ", dichiareremo un array midimensionale con gli elementi inizializzati casualmente come" [2, 3, 5, 8] ". Useremo questo array per trovare la sua matrice di covarianza usando la funzione matrice di covarianza come “PN. cov (array_name) ".

Al posto dell'array_name nel parametro della funzione, sostituiremo il nome dell'array che abbiamo definito e stampato i risultati da questa chiamata di funzione. Il programma nello script Python è descritto nella figura seguente:

Importa Numpy come NP
arr = [2, 3, 5, 8]
# Scopri la covarianza dell'array
covaraince_matrix = np.cov ((arr))
Stampa (covaraince_matrix)

Il programma ha portato alla matrice di covarianza dell'array che avevamo dato al parametro della funzione di matrice di covarianza (). Da questa matrice, se i valori sono maggiori di zero, si dice che gli elementi siano correlati positivamente.

Esempio 2

Questo esempio coprirà anche i passaggi per scrivere il programma in lingua Python per calcolare la matrice di covarianza per l'array bidimensionale. Nel programma, importeremo dai pacchetti installati il ​​modulo numpy con il nome "PN", che consentirà la dichiarazione dell'array 2D e utilizzerà la funzione matrice di covarianza di Numpy in modo da poter calcolare la matrice di covarianza dell'array.

Per creare un array 2D, ricorda il metodo “PN. array () "e passa gli elementi dell'array come" [[1, 2, 3, 4], [8, 7, 9, 2]] ". Salveremo questo array nella variabile come "arr". Passeremo l'ARR al parametro della funzione matrice di covarianza () come “PN. array (arr) ”Questa funzione calcolerà quindi la covarianza per l'array 2D e per visualizzare i risultati sullo schermo, chiameremo il metodo Print (). I risultati della funzione e del programma sono rappresentati nella figura seguente:

Importa Numpy come NP
ARR = [[1, 2, 3, 4], [8, 7, 9, 2]].
# Scopri la covarianza tra le due variabili
covaraince_matrix = np.cov ((arr))
Stampa (covaraince_matrix)

Esempio 3

I due esempi precedenti hanno mostrato i metodi per calcolare la covarianza per l'array 1D e l'array 2D e la correlazione è stata calcolata per gli elementi dello stesso array. In questo esempio, troveremo la covarianza tra i due array diversi o l'insieme di variabili. Integreremo il pacchetto numpy come "PN". Definiremo le due variabili "A" e "B" e daremo loro i valori come "[2, 4, 6, 7]" e "[3, 5, 7, 8]" rispettivamente. Per comprendere la correlazione tra queste due serie di variabili, chiameremo il metodo “PN. cov (a, b) ”e visualizzerà sullo schermo i risultati dalla funzione print (). Abbiamo visualizzato i risultati del programma nella figura seguente:

Importa Numpy come NP
A = [[2, 4, 6, 7]
B = [3, 5, 7, 8]].
# Scopri la covarianza tra le due variabili
covaraince_matrix = np.cov ((a, b))
Stampa (covaraince_matrix)

La matrice di covarianza visualizzata è la matrice quadrata bidimensionale con elementi che mostrano che le due variabili sono correlate positivamente.

Conclusione

Questo articolo spiega la metodologia di lavoro della funzione matrice di covarianza. La matrice di covarianza è la funzione dei pacchetti numpy e trova la matrice che spiega la correlazione tra due variabili o dalle variabili stesse. Abbiamo fornito una descrizione dettagliata di questo argomento e implementato i tre esempi utilizzando la sintassi descritta nell'articolo per questa funzione.