Линия наилучшего соответствия для нелинейной регрессии [дубликат]
Вот простой иллюстративный пример того, как свойства двойного подчеркивания могут влиять на унаследованный класс. Итак, со следующей настройкой:
class parent(object):
__default = "parent"
def __init__(self, name=None):
self.default = name or self.__default
@property
def default(self):
return self.__default
@default.setter
def default(self, value):
self.__default = value
class child(parent):
__default = "child"
, если вы затем создадите дочерний экземпляр в REPL python, вы увидите ниже
child_a = child()
child_a.default # 'parent'
child_a._child__default # 'child'
child_a._parent__default # 'parent'
child_b = child("orphan")
## this will show
child_b.default # 'orphan'
child_a._child__default # 'child'
child_a._parent__default # 'orphan'
Это может быть очевидно для некоторых, но он поймал меня на страже в гораздо более сложной среде
7 ответов
Перед тем, как прочитать этот ответ, имейте в виду, что есть еще один ответ ниже, от Романа Х, который использует
numpy.cumsumи МНОГО БОЛЬШИХ ФАКТОРОВ, чем этот.
Наилучший Один из распространенных способов применения среднего / скользящего среднего (или любой другой функции скользящего окна) к сигналу с помощью
numpy.convolve().def movingaverage(interval, window_size): window = numpy.ones(int(window_size))/float(window_size) return numpy.convolve(interval, window, 'same')Здесь интервал является вашим
xмассив, аwindow_size- количество рассматриваемых образцов. Окно будет центрировано по каждому образцу, поэтому для вычисления среднего значения выборки берут образцы до и после текущего образца. Ваш код станет:plot(x,y) xlim(0,1000) x_av = movingaverage(interval, r) plot(x_av, y) xlabel("Months since Jan 1749.") ylabel("No. of Sun spots") show()Надеюсь, это поможет!
Скользящее среднее - это свертка, а numpy будет быстрее, чем большинство операций чистого python. Это даст вам 10-точечную скользящую среднюю.
import numpy as np
smoothed = np.convolve(data, np.ones(10)/10)
Я также настоятельно рекомендую использовать большой пакет pandas, если вы работаете с данными таймсеристов. Есть несколько хороших операций скользящей средней, построенных в .
-
1Я получаю сообщение об ошибке: Traceback (последний последний вызов): файл «C: / Users / ***** / Desktop / sunspots_plot.py», строка 7, в & lt; module & gt; smoothed = np.convolve (данные, np.ones (10) / (10)) Файл C: \ Python26 \ lib \ site-packages\numpy \ core\numeric.py & quot ;, строка 787, в convolve return multiarray. корреляция (a, v [:: - 1], режим) ValueError: объект слишком глубокий для желаемого массива – dingo_d 5 July 2012 в 21:49
-
2– reptilicus 6 July 2012 в 15:55
-
3– Owen 25 January 2017 в 09:58
-
4@reptilicus, это, кажется, классно, но похоже, что это не улучшает аналогичную проблему, которая у меня есть, и я был бы признателен, если бы вы могли взглянуть на это. [Д0] stackoverflow.com/questions/45839123/… – Desta Haileselassie Hagos 23 August 2017 в 12:01
Я думаю, что-то вроде:
aves = [sum(data[i:i+6]) for i in range(0, len(data), 5)]
Но мне всегда нужно дважды проверять, что индексы делают то, что я ожидаю. Диапазон, который вы хотите (0, 5, 10, ...) и данные [0: 6], предоставят вам данные [0] ... данные [5]
ETA: oops, и вы Конечно, хотите аве, а не суммировать. Так что, фактически, используя ваш код и формулу:
r = 5
x = data[:,0]
y1 = data[:,1]
y2 = [ave(y1[i-r:i+r]) for i in range(r, len(y1), 2*r)]
y = [y1, y2]
-
1С этим я получаю кучу массивов, и у меня возникают ошибки, когда я пытаюсь построить их: \ – dingo_d 5 July 2012 в 21:36
-
2Извините, не исправил опечатку, должен быть y1 [i-r: i + r] вместо данных – dreadsci 5 July 2012 в 21:41
-
3И вообще, y1 имеет len (y1) точки, а y2 имеет len (y1) / 2r точки, поэтому ... вы хотите добавить их отдельно к графику. Пойдите с свернутыми решениями вместо этого! – dreadsci 5 July 2012 в 21:46
-
4Опять же, для y2 я получаю, что они [массив [число, число], массив [число, число] ...]: \ Мне нужно получить числа для построения: \ – dingo_d 5 July 2012 в 21:58
Функция Moving Average без функции numpy:
from __future__ import division # must be on first line of script
class Solution:
def Moving_Avg(self,A):
m = A[0]
B = []
B.append(m)
for i in range(1,len(A)):
m = (m * i + A[i])/(i+1)
B.append(m)
return B
-
1Извините, что добавить первую строку: из future . В противном случае вывод будет int вместо float – Armanda_An 23 December 2015 в 23:09
-
2@Arnanda_An. Вы можете заставить float-деление в Python 2 использовать десятичную точку в
1:m = (m * i + A[i])/(i+1.)– Bennett Brown 2 August 2017 в 14:38
Существует проблема с принятым ответом. Я думаю, что здесь нужно использовать «valid» вместо «same» здесь return numpy.convolve(interval, window, 'same').
В качестве примера попробуйте MA этого набора данных = [1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6] - результат должен быть [4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6,4.6,7.0,6.8], но с «одинаковым» дает неверный вывод [2.6,3.0,4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6, 4.6,7.0,6.8,6.2,4.8]
кода Rusty, чтобы попробовать это: -
result=[]
dataset=[1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6]
window_size=5
for index in xrange(len(dataset)):
if index <=len(dataset)-window_size :
tmp=(dataset[index]+ dataset[index+1]+ dataset[index+2]+ dataset[index+3]+ dataset[index+4])/5.0
result.append(tmp)
else:
pass
result==movingaverage(y, window_size)
Попробуйте это с действительным & amp; то же самое и посмотреть, имеет ли смысл математика.
-
1Не пробовал это, но я загляну в него, прошло какое-то время, так как я закодирован на Python. – dingo_d 29 October 2014 в 08:07
-
2@dingo_d Почему бы вам не попробовать это с помощью ржавого кода (и образец данных (как простой список), я опубликовал? Для некоторых ленивых людей (например, я был первым) - это маскирует факт что скользящее среднее неверно. Вероятно, вам стоит рассмотреть вопрос об изменении исходного ответа. Я попробовал его только вчера, и двойная проверка спасла меня от плохого представления отчета до уровня Cxo. Все, что вам нужно сделать, - попытаться выполнить одно и то же скользящее среднее раз с «действительный» и другое время с «одинаковым» - и как только вы убедитесь, что дайте мне немного любви (ака-голос) – ekta 29 October 2014 в 08:16
-
3Я сейчас работаю, поэтому у меня нет доступа к Python, но когда я дома, я попробую :) – dingo_d 29 October 2014 в 08:25
-
4Мне жаль, что я не вернулся к вам, я не мог заставить Python работать на моем компьютере, поэтому я забыл об этом. Я установил его снова, и я попытался поместить
'valid'вconvolveи получил ошибкуValueError: x and y must have same first dimension. Я проверил длину моего массива, и они были такими же. Я даже сделалx = numpy.array(data[:,0]) y = numpy.array(data[:,1]), но у меня все еще была такая же ошибка. – dingo_d 29 August 2015 в 13:07
Поскольку numpy.convolve довольно медленный, тем, кто нуждается в быстродействующем решении, может быть проще понять подход cumsum . Вот код:
cumsum_vec = numpy.cumsum(numpy.insert(data, 0, 0))
ma_vec = (cumsum_vec[window_width:] - cumsum_vec[:-window_width]) / window_width
, где data содержит ваши данные, а ma_vec будет содержать скользящие средние window_width длина
В среднем, cumsum примерно в 30-40 раз быстрее, чем свертывает .
-
1Я думаю, что если бы сегодня я должен был выполнить автономную скользящую среднюю, я бы использовал ваше решение с самого начала, а не свернулось. На самом деле я удивлен, что этот ответ не получил намного больше оборотов ... – heltonbiker 9 August 2016 в 17:13
-
2
-
3@ roman-kh, я был бы признателен, если бы вы могли взглянуть на это и поблагодарить. [Д0] stackoverflow.com/questions/45839123/… – Desta Haileselassie Hagos 23 August 2017 в 12:17
ravgs = [sum(data[i:i+5])/5. for i in range(len(data)-4)]
Это не самый эффективный подход, но он даст вам ответ, и я не знаю, будет ли ваше окно 5 баллов или 10. Если его 10, замените каждый 5 на 10 и 4 на 9.
linspaceиloadtxt. Вы должны добавитьonesиconvolveк этому: o) – heltonbiker 5 July 2012 в 22:04