Я хочу вычислить ковариацию C
из n
измерений p
количества, где каждому индивидуальному измерению количества присваивается собственный вес. То есть мой весовой массив W
имеет ту же форму, что и мой массив величин Q
(n
от p
). Нативная функция np.cov()
поддерживает только веса, заданные для отдельных измерений (т. Е. Вектор длины n
).взвешенная матрица ковариации в numpy
Я могу инициализировать матрицу p
на p
и повторить ее, но если p
большой, то это очень медленный процесс.
Поскольку Q
как известно, имеют средний ноль для каждого количества (столбец Q
), явная формула для каждого элемента C
является
C[i,j] = np.sum(
Q[:, i] * Q[:, j] * W[:, i] * W[:, j])/np.sum(W[:, i] * W[:, j])
Если я переставить числитель быть Q[:, i] * W[:, i] * Q[:, j] * W[:, j]
, кажется, что I должен иметь возможность умножать и суммировать столбцы Q * W
, а затем делать знаменатель аналогичным образом (за исключением использования W * W
).
Есть ли способ сделать это с помощью np.einsum()
?
Для тестирования, давайте определим следующее:
C = array([[ 1. , 0.1 , 0.2 ], # set this beforehand, to test whether
[ 0.1 , 0.5 , 0.15], # we get the correct result
[ 0.2 , 0.15, 0.75]])
Q = array([[-0.6084634 , 0.16656143, -1.04490324],
[-1.51164337, -0.96403094, -2.37051952],
[-0.32781346, -0.19616374, -1.32591578],
[-0.88371729, 0.20877833, -0.52074272],
[-0.67987913, -0.84458226, 0.02897935],
[-2.01924756, -0.51877396, -0.68483981],
[ 1.64600477, 0.67620595, 1.24559591],
[ 0.82554885, 0.14884613, -0.15211434],
[-0.88119527, 0.11663335, -0.31522598],
[-0.14830668, 1.26906561, -0.49686309]])
W = array([[ 1.01133857, 0.91962164, 1.01897898],
[ 1.09467975, 0.91191381, 0.90150961],
[ 0.96334661, 1.00759046, 1.01638749],
[ 1.04827001, 0.95861001, 1.01248969],
[ 0.91572506, 1.09388218, 1.03616461],
[ 0.9418178 , 1.07210878, 0.90431879],
[ 1.0093642 , 1.00408472, 1.07570172],
[ 0.92203074, 1.00022631, 1.09705542],
[ 0.99775598, 0.01000000, 0.94996408],
[ 1.02996389, 1.01224303, 1.00331465]])
Вы правы, эти часы в 3 раза быстрее, чем мой метод для 100x10, и этот коэффициент растет с размером 'Q' &' W'. – DathosPachy