使用pybind11的cppedm的python包装器
EDM-SugiharaLab的Python项目详细描述
经验动态建模（EDM）
这个包为EDM analysis的cppEDM库提供了一个python/pandas数据帧接口。Documentation可在pyEDM找到。
功能包括：
- 单纯形投影（Sugihara和1990年5月）
- 序列局部加权全局线性映射（s-map）（Sugihara 1994）
- 多变量嵌入（Dixon等人1999年）
- 收敛交叉映射（Sugihara等人2012年）
- 多视图嵌入（YE和Sugihara 2016）
安装
不幸的是，我们没有资源为各种计算机平台提供预构建的二进制发行版。用户需要首先在自己的机器上构建cppedm库，然后使用pip安装python包。在OSX和Linux上，这需要G++，在Windows上，需要Microsoft Visual Studio编译器（MSVC），可以从Build Tools for Visual Studio 2019获得。只需要windows sdk。
请注意，Eigen C++ Template Library是构建cppedm所必需的。假定Eigen目录在编译器INCLUDE路径中可用。如果没有，可以将目录添加到makefile中的CFLAGS -I选项中，适当定义INCLUDE环境变量，或者使用CFLAGS=重写make命令行以指定位置。
OSX和Linux
- 下载pyedm:
git clone https://github.com/SugiharaLab/pyEDM - 构建cppedm库：
cd pyEDM/cppEDM/src; make - 生成并安装程序包：
cd ../..; python -m pip install . --user
窗口
- 下载pyedm:
git clone https://github.com/SugiharaLab/pyEDM - 构建cppedm库：
cd pyEDM\cppEDM\src; nmake /f makefile.windows - 生成并安装程序包：
cd ..\..; python -m pip install . --user
用法
python提示符下的示例用法：
>>>importEDM>>>EDM.Examples()
参考文献
Sugihara G.和May R.1990。非线性预测作为一种判别方法 时间序列测量误差引起的混沌。自然，344:734–741.
Sugihara G.1994年。自然分类的非线性预测 时间序列。哲学交易：物理科学和 工程，348（1688）：477-495.
Dixon，P.A.，M.Milicich和G.Sugihara，1999年。幼虫供应的周期性波动。科学283:1528-1530。
Sugihara G.，May R.，Ye H.，Xieh C.，Deyle E.，Fogarty M.，Munch S.，2012年。 探测复杂生态系统中的因果关系。科学338:496-500。
Ye H.，和G.Sugihara，2016年。互联网络中的信息杠杆 生态系统：克服维度的诅咒。科学353:922–925。
欢迎加入QQ群-->： 979659372
