Numpy samvariasjon

Vi beregner deres samvariasjonsmatrise for å bestemme forholdet mellom to variable sett. Kovariansmatrisen diskuterer forholdet mellom de to variablene og matriser. Dette er når vi har et datasett representert i form av en flerdimensjonal matrise, eller matrisen, og vi vil vite forholdet mellom elementene i matriser, noe som betyr dermed hvordan endringen i ett element i datasettet påvirker det andre datapunktet eller elementet i matrisen. Så for å vite om dette forholdet, bruker vi samvariasjonsmetoden. Hvis elementene i matrisen har et direkte forhold til hverandre, sies samvariasjonsmatrisen å være positivt korrelert. Ellers er det negativt korrelert.

Fremgangsmåte

Metodene for å bruke Covariance Matrix () -funksjonen vil bli diskutert i artikkelen. Vi vil forklare arbeidsmetodikken og bruken av denne funksjonen når det gjelder de nødvendige parametrene, og da vil vi prøve forskjellige eksempler relatert til denne funksjonen.

Syntaks

Python -funksjonen for samvariasjonsmatrisen er gitt i Python -skriptet:

$ numpy. COV (Array_name, Axis)

Cov () -funksjonen tar inn de to inngangsparametrene, og beskrivelsen deres er gitt i detalj som følger:

Array_name: Dette er navnet på matrisen hvis samvariasjon vi ønsker å beregne ved hjelp av Numpy Covariance Matrix -metoden.

akser: Aksen er en valgfri parameter, og den snakker om dimensjonen til matrisen hvis samvariasjonsmatrise skal beregnes.

Returverdi

Returverdien på samvariasjonsmatrisen () -funksjonen er den firkantede matrisen til en spesifikk dimensjon som har informasjonen om korrelasjonen mellom settene til to eller til og med mer enn to variabler. Med enkle ord resulterer samvariasjonsmetoden i samvariasjonsmatrisen.

Eksempel 1

Vi kan finne sammenhengen mellom matriseelementene for å finne hvordan en endring i ett element gjenspeiler et annet elements endring. Så for det første eksemplet vil vi starte med 1D -matrisen og prøve å finne ut sammenhengen mellom elementene i denne matrisen. Vi vil bruke open source-miljøet anerkjent som "Spyder" for å skrive programmet i Python-kompilatoren. Vi vil utarbeide Python -skallet ved å opprette et prosjekt og lagre det i Python Files -katalogen. Eksemplet må håndtere matriser, så vi vil først installere den viktige pakken gjennom terminalvinduet og installere pakkene for "Numpy".

Numpy er en av pakkene blant Python -bibliotekene som omhandler matriser og matriseoperasjoner. Fra de installerte pakkene til Numpy, vil vi integrere modulen Numpy som prefikset “PN”. Dette gjøres for å bruke PN med hver funksjonsanrop for de forskjellige funksjonene levert av Numpy i stedet for å bruke Numpy overalt. Nå vil vi bruke PN, og ved hjelp av metoden “PN. Array () ”, vil vi erklære en 1-dimensjonal matrise med de tilfeldig initialiserte elementene som“ [2, 3, 5, 8] ”. Vi vil bruke denne matrisen for å finne sin samvariasjonsmatrise ved hjelp av samvariasjonsmatrisefunksjonen som “PN. cov (array_name) ”.

I stedet for array_name i funksjonsparameteren, vil vi erstatte navnet på matrisen vi har definert og skrive ut resultatene fra denne funksjonssamtalen. Programmet i Python -skriptet er beskrevet på figuren nedenfor:

Importer numpy som NP
arr = [2, 3, 5, 8]
# Finn ut samvariasjon av matrisen
covaraince_matrix = np.Cov ((arr))
Print (Covaraince_Matrix)

Programmet har resultert i samvariasjonsmatrisen til matrisen som vi hadde gitt til parameteren til Covariance Matrix () -funksjonen. Fra denne matrisen, hvis verdiene er større enn null, sies elementene å være positivt korrelert.

Eksempel 2

Dette eksemplet vil også dekke trinnene for å skrive programmet på Python-språket for å beregne samvariasjonsmatrisen for den to-dimensjonale matrisen. I programmet vil vi importere fra de installerte pakkene Numpy -modulen med navnet “PN”, som vil tillate erklæringen av 2D -array.

For å lage en 2D -matrise, husk metoden “PN. Array () ”og passere elementene i matrisen som“ [[1, 2, 3, 4], [8, 7, 9, 2]] ”. Vi vil lagre denne matrisen i variabelen som “ARR”. Vi vil sende ARR til parameteren til Covariance Matrix -funksjonen () som “PN. Array (ARR) ”Denne funksjonen vil deretter beregne samvariasjonen for 2D-array, og for å vise resultatene på skjermen, vil vi kalle metoden Print (). Funksjons- og programresultatene er representert i figuren nedenfor:

Importer numpy som NP
arr = [[1, 2, 3, 4], [8, 7, 9, 2]].
# Finn ut samvariasjon mellom de to variablene
covaraince_matrix = np.Cov ((arr))
Print (Covaraince_Matrix)

Eksempel 3

De to foregående eksemplene har vist metodene for å beregne samvariasjonen for 1D -matrisen og 2D -matrisen, og korrelasjonen ble beregnet for elementene i samme matrise. I dette eksemplet vil vi finne samvariasjonen mellom de to forskjellige matriser eller settet med variabler. Vi vil integrere Numpy -pakken som "PN". Vi vil definere de to variablene “A” og “B” og gi dem verdiene som henholdsvis "[2, 4, 6, 7]" og "[3, 5, 7, 8]". For å forstå sammenhengen mellom disse to settene med variabler, vil vi kalle metoden “PN. COV (a, b) ”og vil vises på skjermen resultatene etter print () -funksjonen. Vi har vist resultatene fra programmet i følgende figur:

Importer numpy som NP
a = [[2, 4, 6, 7]
B = [3, 5, 7, 8]].
# Finn ut samvariasjon mellom de to variablene
covaraince_matrix = np.Cov ((a, b))
Print (Covaraince_Matrix)

Kovariansmatrisen som vises er den todimensjonale firkantede matrisen med elementer som viser at de to variablene er positivt korrelert.

Konklusjon

Denne artikkelen forklarer arbeidsmetodikken til samvariasjonsmatrisefunksjonen. Kovariansmatrisen er funksjonen fra Numpy -pakkene, og den finner matrisen som forklarer korrelasjonen mellom to variabler eller fra variablene selv. Vi har gitt en detaljert beskrivelse av dette emnet og implementert de tre eksemplene ved å bruke syntaksen beskrevet i artikkelen for denne funksjonen.