Python | numpy.cov()函数
协方差提供了两个变量或多组变量之间相关强度的度量。协方差矩阵元素 C ij 是 xi 和 xj 的协方差。元素 Cii 是 xi 的方差。
- 如果 COV(xi，xj) = 0，那么变量是不相关的
- 如果 COV(xi，xj) > 0，则变量正相关
- 如果 COV(xi，XJ)> 0，则变量负相关
语法: numpy.cov(m，y=None，rowvar=True，bias=False，ddof=None，fw thres = None，aw rights = None) 参数: m:【array _ like】A 1D 或 2D 变量。变量是列 y:【array _ like】它与 m 的形式相同。 rowvar:【bool，可选】如果 row var 为 True(默认)，那么每一行代表一个变量，在列中带有观察值。否则，关系转置: 偏差:默认归一化为假。如果偏差为真，则将数据点归一化。 ddof : 如果不是“无”，将覆盖偏差隐含的默认值。请注意，即使同时指定了 fweights 和 aweights，ddof=1 也将返回无偏估计。 fw weight:fw weight 是一维整数频率权重数组 aw weight:aw weight 是一维观测向量权重数组。 返回:返回数组协方差矩阵
示例#1:
蟒蛇 3
# Python code to demonstrate the
# use of numpy.cov
import numpy as np
x = np.array([[0, 3, 4], [1, 2, 4], [3, 4, 5]])
print("Shape of array:\n", np.shape(x))
print("Covariance matrix of x:\n", np.cov(x))
输出:
Shape of array:
(3, 3)
Covariance matrix of x:
[[ 4.33333333 2.83333333 2\. ]
[ 2.83333333 2.33333333 1.5 ]
[ 2\. 1.5 1\. ]]
例 2:
蟒蛇 3
# Python code to demonstrate the
# use of numpy.cov
import numpy as np
x = [1.23, 2.12, 3.34, 4.5]
y = [2.56, 2.89, 3.76, 3.95]
# find out covariance with respect columns
cov_mat = np.stack((x, y), axis = 0)
print(np.cov(cov_mat))
Output:
[[ 2.03629167 0.9313 ]
[ 0.9313 0.4498 ]]
示例#3:
蟒蛇 3
# Python code to demonstrate the
# use of numpy.cov
import numpy as np
x = [1.23, 2.12, 3.34, 4.5]
y = [2.56, 2.89, 3.76, 3.95]
# find out covariance with respect rows
cov_mat = np.stack((x, y), axis = 1)
print("shape of matrix x and y:", np.shape(cov_mat))
print("shape of covariance matrix:", np.shape(np.cov(cov_mat)))
print(np.cov(cov_mat))
Output:
shape of matrix x and y: (4, 2)
shape of covariance matrix: (4, 4)
[[ 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]]
