Python numpy.cov()用法及代码示例

协方差提供了两个变量或更多组变量之间的相关强度的度量。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，则变量不相关
如果COV(xi，xj)> 0，则变量呈正相关
如果COV(xi，xj)>

用法：numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None)

参数：
m :[数组]一个1D或2D变量。变量是列
y :[数组]它具有与m相同的形式。
rowvar :[bool，可选]如果rowvar为True(默认值)，则每一行代表一个变量，各列中具有观察值。否则，该关系将转置：
bias :默认规范化为False。如果偏差为True，则将数据点归一化。
ddof :如果不是“无”，则将覆盖由偏置隐含的默认值。请注意，即使同时指定了权重和权重，ddof = 1也会返回无偏估计。
fweights :fweight是整数频率权重的一维数组
aweights :aweight是观测向量权重的一维数组。

返回:返回ndarray协方差矩阵

范例1：

# 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("Covarinace matrix of x:\n", np.cov(x))

输出：

Shape of array:
 (3, 3)
Covarinace matrix of x:
 [[ 4.33333333  2.83333333  2.        ]
 [ 2.83333333  2.33333333  1.5       ]
 [ 2.          1.5         1.        ]]

范例2：

# 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))

输出：

[[ 2.03629167  0.9313    ]
 [ 0.9313      0.4498    ]]

范例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))

输出：

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]]

相关用法

注：本文由纯净天空筛选整理自shrikanth13大神的英文原创作品 Python | numpy.cov() function。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。