Covariância Numpy

Calculamos sua matriz de covariância para determinar a relação entre dois conjuntos de variáveis. A matriz de covariância discute a relação entre as duas variáveis ​​e as matrizes. É quando temos um conjunto de dados representado na forma de uma matriz multidimensional, ou a matriz, e queremos saber a relação entre os elementos das matrizes, o que significa assim como a mudança em um elemento no conjunto de dados afeta o outro ponto de dados ou o elemento da matriz. Então, para saber sobre essa relação, usamos o método de covariância. Se os elementos da matriz tiverem um relacionamento direto um com o outro, a matriz de covariância é considerada correlacionada positivamente. Ou então, está negativamente correlacionado.

Procedimento

Os métodos para usar a função de covariância matriz () serão discutidos no artigo. Explicaremos a metodologia de trabalho e o uso dessa função em termos dos parâmetros necessários e, em seguida, tentaremos diferentes exemplos relacionados a esta função.

Sintaxe

A função python para a matriz de covariância é apresentada no script python:

$ Numpy. COV (Array_name, eixo)

A função Cov () recebe os dois parâmetros de entrada, e sua descrição é fornecida em detalhes da seguinte forma:

Array_name: Este é o nome da matriz cuja covariância queremos calcular usando o método da matriz de covariância Numpy.

eixo: O eixo é um parâmetro opcional e fala sobre a dimensão da matriz cuja matriz de covariância deve ser calculada.

Valor de retorno

O valor de retorno da função de covariância () é a matriz quadrada de uma dimensão específica que possui informações sobre a correlação entre os conjuntos de dois ou mais de duas variáveis. Em palavras simples, o método de covariância resulta na matriz de covariância.

Exemplo 1

Podemos encontrar a correlação entre os elementos da matriz para descobrir como uma mudança em um elemento reflete a mudança de outro elemento. Então, no primeiro exemplo, começaremos com a matriz 1D e tentaremos descobrir a correlação entre os elementos dessa matriz. Usaremos o ambiente de código aberto reconhecido como "Spyder" para escrever o programa no compilador Python. Vamos preparar o shell python criando um projeto e salvando -o no diretório de arquivos Python. O exemplo deve lidar com as matrizes, para primeiro instalar o pacote importante através da janela do terminal e instalar os pacotes para o "Numpy".

Numpy é um dos pacotes entre as bibliotecas Python que lidam com operações de matrizes e matrizes. Nos pacotes instalados do Numpy, integraremos o módulo Numpy como o prefixo "PN". Isso é feito para usar o PN com todas as funções chamadas para as várias funções fornecidas pelo Numpy em vez de usar o Numpy em todos. Agora, usaremos o PN e com a ajuda do método “PN. Array () ”, declararemos uma matriz 1-dimensional com os elementos inicializados aleatoriamente como“ [2, 3, 5, 8] ”. Usaremos essa matriz para encontrar sua matriz de covariância usando a função da matriz de covariância como “PN. COV (Array_Name) ”.

No lugar do Array_Name no parâmetro da função, substituiremos o nome da matriz que definimos e imprimiremos os resultados dessa chamada de função. O programa no script python é descrito na figura abaixo:

importar numpy como np
arr = [2, 3, 5, 8]
# Descubra covariância da matriz
covaraince_matrix = np.Cov ((arr))
Imprimir (CovArnce_Matrix)

O programa resultou na matriz de covariância da matriz que havíamos dado ao parâmetro da função da matriz de covariância (). A partir desta matriz, se os valores forem maiores que zero, diz -se que os elementos estão positivamente correlacionados.

Exemplo 2

Este exemplo também cobrirá as etapas para escrever o programa na linguagem Python para calcular a matriz de covariância para a matriz bidimensional. No programa, importaremos dos pacotes instalados o módulo Numpy com o nome "PN", que permitirá a declaração da matriz 2D e usará a função da matriz de covariância do Numpy para que possamos calcular a matriz de covariância da matriz.

Para criar uma matriz 2D, lembre -se do método “PN. Array () ”e passe os elementos da matriz como“ [[1, 2, 3, 4], [8, 7, 9, 2]] ”. Vamos salvar esta matriz na variável como "arr". Passaremos o ARR para o parâmetro da função da matriz de covariância () como “PN. Array (arr) ”Esta função calculará a covariância para o 2D-Array e, para exibir os resultados na tela, chamaremos o método print (). Os resultados da função e do programa são representados na figura abaixo:

importar numpy como np
arr = [[1, 2, 3, 4], [8, 7, 9, 2]].
# Descubra covariância entre as duas variáveis
covaraince_matrix = np.Cov ((arr))
Imprimir (CovArnce_Matrix)

Exemplo 3

Os dois exemplos anteriores mostraram os métodos para calcular a covariância para a matriz 1D e a matriz 2D, e a correlação foi calculada para os elementos da mesma matriz. Neste exemplo, encontraremos a covariância entre as duas matrizes diferentes ou o conjunto de variáveis. Vamos integrar o pacote Numpy como "PN". Definiremos as duas variáveis ​​"A" e "B" e daremos a eles os valores como "[2, 4, 6, 7]" e "[3, 5, 7, 8]", respectivamente, respectivamente. Para entender a correlação entre esses dois conjuntos de variáveis, chamaremos o método de "PN. cov (a, b) ”e exibirá na tela os resultados da função print (). Exibimos os resultados do programa na figura a seguir:

importar numpy como np
a = [[2, 4, 6, 7]
b = [3, 5, 7, 8]].
# Descubra covariância entre as duas variáveis
covaraince_matrix = np.Cov ((a, b))
Imprimir (CovArnce_Matrix)

A matriz de covariância exibida é a matriz quadrada bidimensional com elementos mostrando que as duas variáveis ​​estão positivamente correlacionadas.

Conclusão

Este artigo explica a metodologia de trabalho da função da matriz de covariância. A matriz de covariância é a função dos pacotes Numpy e encontra a matriz que explica a correlação entre duas variáveis ​​ou das próprias variáveis. Damos uma descrição detalhada deste tópico e implementamos os três exemplos usando a sintaxe descrita no artigo para esta função.