Covariance nupy

Nous calculons leur matrice de covariance pour déterminer la relation entre deux ensembles variables. La matrice de covariance discute de la relation entre les deux variables et les tableaux. C'est à ce moment que nous avons un ensemble de données représenté sous la forme d'un tableau multidimensionnel, ou de la matrice, et nous voulons connaître la relation entre les éléments des tableaux, ce qui signifie ainsi que le changement dans un élément de l'ensemble de données affecte L'autre point de données ou l'élément du tableau. Donc, pour connaître cette relation, nous utilisons la méthode de covariance. Si les éléments du tableau ont une relation directe entre eux, alors la matrice de covariance serait corrélée positivement. Ou bien, il est corrélé négativement.

Procédure

Les méthodes pour utiliser la fonction de covariance matrice () seront discutées dans l'article. Nous expliquerons la méthodologie de travail et l'utilisation de cette fonction en termes de paramètres requis, puis nous essayerons différents exemples liés à cette fonction.

Syntaxe

La fonction Python pour la matrice de covariance est donnée dans le script Python:

$ numpy. Cov (array_name, axe)

La fonction cov () prend les deux paramètres d'entrée, et leur description est fournie en détail comme suit:

array_name: Ceci est le nom du tableau dont nous voulons calculer la covariance en utilisant la méthode de matrice de covariance Numpy.

axe: L'axe est un paramètre facultatif, et il parle de la dimension du tableau dont la matrice de covariance doit être calculée.

Valeur de retour

La valeur de retour de la fonction de matrice de covariance () est la matrice carrée d'une dimension spécifique qui a les informations sur la corrélation entre les ensembles de deux ou même plus de deux variables. En termes simples, la méthode de covariance se traduit par la matrice de covariance.

Exemple 1

Nous pouvons trouver la corrélation entre les éléments du tableau pour trouver comment un changement dans un élément reflète le changement d'un autre élément. Ainsi, pour le premier exemple, nous commencerons par le tableau 1D et essayerons de découvrir la corrélation entre les éléments de ce tableau. Nous utiliserons l'environnement open source reconnu comme «Spyder» pour écrire le programme dans le compilateur Python. Nous préparerons le shell Python en créant un projet et en l'enregistrant dans le répertoire des fichiers Python. L'exemple doit faire face aux tableaux, nous allons donc d'abord installer le package important via la fenêtre du terminal et installer les packages pour le «Numpy».

Numpy est l'un des packages parmi les bibliothèques Python qui traitent des matrices et des opérations matricielles. À partir des packages installés du Numpy, nous intégrerons le module Numpy en tant que préfixe «PN». Ceci est fait pour utiliser le PN avec chaque appel de fonction pour les différentes fonctions fournies par le Numpy au lieu d'utiliser le Numpy partout. Maintenant, nous utiliserons le PN, et avec l'aide de la méthode «PN. Array () », nous déclarerons un tableau à 1 dimension avec les éléments initialisés au hasard comme« [2, 3, 5, 8] ». Nous utiliserons ce tableau pour trouver sa matrice de covariance en utilisant la fonction de matrice de covariance comme «PN. cov (array_name) ".

À la place du paramètre Array_name dans le paramètre de fonction, nous remplacerons le nom du tableau que nous avons défini et imprimer les résultats de cet appel de fonction. Le programme dans le script Python est décrit dans la figure ci-dessous:

Importer Numpy comme NP
arr = [2, 3, 5, 8]
# découvrez la covariance du tableau
covaraince_matrix = np.CoV ((arr))
Print (Covaraince_Matrix)

Le programme a abouti à la matrice de covariance du tableau que nous avions donné au paramètre de la fonction de la matrice de covariance (). De cette matrice, si les valeurs sont supérieures à zéro, les éléments seraient corrélés positivement.

Exemple 2

Cet exemple couvrira également les étapes pour écrire le programme dans la langue Python pour calculer la matrice de covariance pour le tableau bidimensionnel. Dans le programme, nous importerons à partir des packages installés le module Numpy avec le nom «PN», qui permettra la déclaration du tableau 2D et utilisera la fonction de matrice de covariance de Numpy afin que nous puissions calculer la matrice de covariance du tableau.

Pour créer un tableau 2D, rappelez la méthode «PN. Array () ”et passer les éléments du tableau comme« [[1, 2, 3, 4], [8, 7, 9, 2]] ». Nous enregistrerons ce tableau dans la variable en tant que «arr». Nous passerons le Arr au paramètre de la fonction de matrice de covariance () comme «PN. Array (ARR) "Cette fonction calculera ensuite la covariance pour la 2D-array, et pour afficher les résultats à l'écran, nous appellerons la méthode print (). Les résultats de la fonction et du programme sont représentés dans la figure ci-dessous:

Importer Numpy comme NP
arr = [[1, 2, 3, 4], [8, 7, 9, 2]].
# Découvrez la covariance entre les deux variables
covaraince_matrix = np.CoV ((arr))
Print (Covaraince_Matrix)

Exemple 3

Les deux exemples précédents ont montré les méthodes pour calculer la covariance pour le tableau 1D et le tableau 2D, et la corrélation a été calculée pour les éléments du même tableau. Dans cet exemple, nous trouverons la covariance entre les deux tableaux différents ou l'ensemble des variables. Nous intégrerons le package Numpy en tant que «PN». Nous définirons les deux variables «A» et «B» et leur donnerons les valeurs comme «[2, 4, 6, 7]» et «[3, 5, 7, 8]» respectivement. Pour comprendre la corrélation entre ces deux ensembles de variables, nous appellerons la méthode «PN. Cov (a, b) ”et affichera à l'écran les résultats par la fonction print (). Nous avons affiché les résultats du programme dans la figure suivante:

Importer Numpy comme NP
a = [[2, 4, 6, 7]
b = [3, 5, 7, 8]].
# Découvrez la covariance entre les deux variables
covaraince_matrix = np.cov ((a, b))
Print (Covaraince_Matrix)

La matrice de covariance affichée est la matrice carrée bidimensionnelle avec des éléments montrant que les deux variables sont corrélées positivement.

Conclusion

Cet article explique la méthodologie de travail de la fonction de matrice de covariance. La matrice de covariance est la fonction des packages Numpy, et il trouve la matrice qui explique la corrélation entre deux variables ou des variables elles-mêmes. Nous avons donné une description détaillée de ce sujet et mis en œuvre les trois exemples en utilisant la syntaxe décrite dans l'article de cette fonction.