numpy.ma.cov

ma.cov(x, y=None, rowvar=True, bias=False, allow_masked=True, ddof=None)[source]

Оценить ковариационную матрицу.

За исключением обработки отсутствующих данных, эта функция выполняет те же действия, что и numpy.cov. Более подробную информацию и примеры см. в numpy.cov.

По умолчанию, значения с пропусками распознаются как таковые. Если x и y имеют одинаковую форму, выделяется общий массив маски: если x[i,j] замаскирован, то y[i,j] также будет замаскирован. Установка allow_masked в значение False приведет к исключению, если в одном из входных массивов отсутствуют значения.

Параметры:

xarray_like

Одномерный или двумерный массив, содержащий несколько переменных и наблюдений. Каждая строка x представляет переменную, а каждый столбец — одно наблюдение за всеми этими переменными. Также см. rowvar ниже.

yarray_like, необязательно

Дополнительный набор переменных и наблюдений. y имеет такую же форму, как x.

rowvarbool, необязательно

Если rowvar равно True (по умолчанию), то каждая строка представляет переменную, а наблюдения — в столбцах. В противном случае отношение транспонируется: каждый столбец представляет переменную, а строки содержат наблюдения.

biasbool, необязательно

Нормализация по умолчанию (False) выполняется по (N-1), где N — число предоставленных наблюдений (несмещённая оценка). Если bias равно True, то нормализация выполняется по N. Этот параметр может быть переопределен параметром ddof в версиях numpy >= 1.5.

allow_maskedbool, необязательно

Если True, замаскированные значения распространяются попарно: если значение замаскировано в x, соответствующее значение замаскируется в y. Если False, возникает исключение ValueError, когда отсутствуют некоторые значения.

ddof{None, int}, необязательно

Если не None, нормализация выполняется по (N - ddof), где N — количество наблюдений; это переопределяет значение, подразумеваемое bias. Значение по умолчанию — None.

Введено в версии 1.5.

Исключения:

ValueError

Возникает, если некоторые значения отсутствуют и allow_masked равно False.

См. также

numpy.cov

Примеры

>>> x = np.ma.array([[0, 1], [1, 1]], mask=[0, 1, 0, 1])
>>> y = np.ma.array([[1, 0], [0, 1]], mask=[0, 0, 1, 1])
>>> np.ma.cov(x, y)
masked_array(
data=[[--, --, --, --],
      [--, --, --, --],
      [--, --, --, --],
      [--, --, --, --]],
mask=[[ True,  True,  True,  True],
      [ True,  True,  True,  True],
      [ True,  True,  True,  True],
      [ True,  True,  True,  True]],
fill_value=1e+20,
dtype=float64)