Covarianza numpy

Calculamos su matriz de covarianza para determinar la relación entre dos conjuntos de variables. La matriz de covarianza analiza la relación entre las dos variables y las matrices. Esto es cuando tenemos un conjunto de datos representado en forma de una matriz multidimensional, o la matriz, y queremos saber la relación entre los elementos de las matrices, lo que significa que el cambio en un elemento en el conjunto de datos afecta el otro punto de datos o el elemento de la matriz. Entonces, para conocer esta relación, usamos el método de covarianza. Si los elementos de la matriz tienen una relación directa entre sí, entonces se dice que la matriz de covarianza está correlacionada positivamente. O de lo contrario, se correlaciona negativamente.

Procedimiento

Los métodos para usar la función Covariance Matrix () se discutirán en el artículo. Explicaremos la metodología de trabajo y el uso de esta función en términos de los parámetros requeridos, y luego probaremos diferentes ejemplos relacionados con esta función.

Sintaxis

La función Python para la matriz de covarianza se da en el script de Python:

$ Numpy. Cov (array_name, eje)

La función Cov () toma los dos parámetros de entrada, y su descripción se proporciona en detalle de la siguiente manera:

array_name: Este es el nombre de la matriz cuya covarianza queremos calcular usando el método de matriz de covarianza numpy.

eje: El eje es un parámetro opcional, y habla sobre la dimensión de la matriz cuya matriz de covarianza se debe calcular.

Valor de retorno

El valor de retorno de la función de covarianza matriz () es la matriz cuadrada de una dimensión específica que tiene la información sobre la correlación entre los conjuntos de dos o incluso más de dos variables. En palabras simples, el método de covarianza da como resultado la matriz de covarianza.

Ejemplo 1

Podemos encontrar la correlación entre los elementos de la matriz para encontrar cómo un cambio en un elemento refleja el cambio de otro elemento. Entonces, para el primer ejemplo, comenzaremos con la matriz 1D e intentaremos averiguar la correlación entre los elementos de esta matriz. Utilizaremos el entorno de código abierto reconocido como "Spyder" para escribir el programa en el compilador de Python. Prepararemos el shell de Python creando un proyecto y guardándolo en el directorio de archivos de Python. El ejemplo tiene que lidiar con las matrices, por lo que primero instalaremos el paquete importante a través de la ventana del terminal e instalaremos los paquetes para el "Numpy".

Numpy es uno de los paquetes entre las bibliotecas de Python que se ocupan de matrices y operaciones de matriz. Desde los paquetes instalados del Numpy, integraremos el módulo Numpy como el prefijo "PN". Esto se hace para usar el PN con cada llamada de función para las diversas funciones proporcionadas por el Numpy en lugar de usar el Numpy en todas partes. Ahora, usaremos el PN y con la ayuda del método "PN. array () ", declararemos una matriz 1 dimensional con los elementos inicializados al azar como" [2, 3, 5, 8] ". Usaremos esta matriz para encontrar su matriz de covarianza utilizando la función de matriz de covarianza como "PN. cov (array_name) ".

En lugar del array_name en el parámetro de función, sustituiremos el nombre de la matriz que hemos definido e imprimo los resultados de esta llamada de función. El programa en el script de Python se describe en la figura a continuación:

importar numpy como np
arr = [2, 3, 5, 8]
# Descubre la covarianza de la matriz
covaraince_matrix = np.Cov ((arr))
imprimir (covaraince_matrix)

El programa ha dado como resultado la matriz de covarianza de la matriz que habíamos dado al parámetro de la función Covariance Matrix (). De esta matriz, si los valores son mayores que cero, se dice que los elementos están correlacionados positivamente.

Ejemplo 2

Este ejemplo también cubrirá los pasos para escribir el programa en el idioma de Python para calcular la matriz de covarianza para la matriz bidimensional. En el programa, importaremos de los paquetes instalados el módulo Numpy con el nombre "PN", lo que permitirá la declaración de la matriz 2D y utilizará la función de matriz de covarianza de Numpy para que podamos calcular la matriz de covarianza de la matriz de la matriz.

Para crear una matriz 2D, recuerde el método "PN. array () "y pase los elementos de la matriz como" [1, 2, 3, 4], [8, 7, 9, 2]] ". Guardaremos esta matriz en la variable como "arr". Pasaremos el ARR al parámetro de la función de matriz de covarianza () como "PN. matriz (arr) ”Esta función calculará la covarianza para la matriz 2D y para mostrar los resultados en la pantalla, llamaremos al método print (). Los resultados de la función y el programa se representan en la figura a continuación:

importar numpy como np
arr = [[1, 2, 3, 4], [8, 7, 9, 2]].
# Descubre covarianza entre las dos variables
covaraince_matrix = np.Cov ((arr))
imprimir (covaraince_matrix)

Ejemplo 3

Los dos ejemplos anteriores han mostrado los métodos para calcular la covarianza para la matriz 1D y la matriz 2D, y la correlación se calculó para los elementos de la misma matriz. En este ejemplo, encontraremos la covarianza entre las dos matrices diferentes o el conjunto de variables. Integraremos el paquete Numpy como "PN". Definiremos las dos variables "A" y "B" y les daremos los valores como "[2, 4, 6, 7]" y "[3, 5, 7, 8]" respectivamente. Para comprender la correlación entre estos dos conjuntos de variables, llamaremos el método "PN. cov (a, b) ”y mostrará en la pantalla los resultados mediante la función print (). Hemos mostrado los resultados del programa en la siguiente figura:

importar numpy como np
a = [[2, 4, 6, 7]
b = [3, 5, 7, 8]].
# Descubre covarianza entre las dos variables
covaraince_matrix = np.Cov ((a, b))
imprimir (covaraince_matrix)

La matriz de covarianza que se muestra es la matriz cuadrada bidimensional con elementos que muestran que las dos variables se correlacionan positivamente.

Conclusión

Este artículo explica la metodología de trabajo de la función de la matriz de covarianza. La matriz de covarianza es la función de los paquetes numpy, y encuentra la matriz que explica la correlación entre dos variables o de las variables mismas. Hemos dado una descripción detallada de este tema e implementamos los tres ejemplos utilizando la sintaxis descrita en el artículo para esta función.