我有一个双变量分布,它是由'Int_1','Int_2'
中每个Group
的xy点生成的。我通过Norm
使分布正常化,并将其传递到轮廓以显示z值
我想返回在'Item_X','Item_Y'
中显示的xy点处的二元分布的z值。下图中使用白色散射点显示了一个示例
最后,我将在每个时间点将'Item_X','Item_Y'
的z值传递给数据帧,并将其追加回原始df
import pandas as pd
import numpy as np
from scipy.stats import multivariate_normal as mvn
import matplotlib.pyplot as plt
from scipy.interpolate import RectBivariateSpline
df = pd.DataFrame({'Int_1': [1.0, 2.0, 1.0, 3.0, 1.0, 2.0, 3.0, 2.0],
'Int_2': [1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0],
'Item_X': [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0],
'Item_Y': [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0],
'Period': [1, 1, 1, 1, 2, 2, 2, 2],
'Group': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B'],
'Item': ['Y', 'Y', 'A', 'B', 'A', 'B', 'A', 'B'],
'id': ['1', '2', '3', '4', '1', '2', '3', '4']})
Group_A = [df[df['Group'] == 'A'][['Int_1','Int_2']].to_numpy()]
Group_B = [df[df['Group'] == 'B'][['Int_1','Int_2']].to_numpy()]
Item = [df[['Item_X','Item_Y']].to_numpy()]
period = df['Period'].drop_duplicates().reset_index(drop = True)
def bivart_func(member_no, location, time_index, group):
if group == 'A':
data = Group_A.copy()
elif group == 'B':
data = Group_B.copy()
else:
return
if np.all(np.isfinite(data[member_no][[time_index,time_index + 1],:])) & np.all(np.isfinite(Item[0][time_index,:])):
sxy = (data[member_no][time_index + 1,:] - data[member_no][time_index,:]) / (period[time_index + 1] - period[time_index])
mu = data[member_no][time_index,:] + sxy * 0.5
out = mvn.pdf(location,mu) / mvn.pdf(data[member_no][time_index,:],mu)
else:
out = np.zeros(location.shape[0])
return out
xx,yy = np.meshgrid(np.linspace(-10,10,200),np.linspace(-10,10,200))
Z_GA = np.zeros(40000)
Z_GB = np.zeros(40000)
for k in range(1):
Z_GA += bivart_func(k,np.c_[xx.flatten(),yy.flatten()],0,'A')
Z_GB += bivart_func(k,np.c_[xx.flatten(),yy.flatten()],0,'B')
fig, ax = plt.subplots(figsize=(8,8))
ax.set_xlim(-10,10)
ax.set_ylim(-10,10)
Z_GA = Z_GA.reshape((200,200))
Z_GB = Z_GB.reshape((200,200))
Norm = xx,yy, (Z_GA - Z_GB)
cfs = ax.contourf(*Norm, cmap = 'magma')
ax.scatter(Item[0][1,0],Item[0][1,1], color = 'white', edgecolor = 'black')
f = RectBivariateSpline(xx[0, :], yy[:, 0], Norm)
z = f(df['Item_X'], df['Item_Y'], grid = False)
print(z)
Z分数是一个参数,允许您比较不同的正态分布。任何正态分布都以同样的方式依赖于Z分数
Z分数由以下公式定义:
概率密度函数为
对于任何发行版,如果在
f(x)
的定义中替换z
,则始终会得到exp(-0.5*z**2)/(sigma * sqrt(2*pi)
在你的例子中,你有一个概率比,你可以找到一个类似于它的z值,但它有不同的解释。为了做到这一点,我将尝试使用不同的平均值和协方差,将普通PDF与缩放的普通PDF进行比例转换
PDF作为比例PDF的比率
这在启用了latex的论坛中更合适,我将用类似python的语法编写方程式
多元分布可以描述为
a * exp(-(x - mu).T @ A @ (x-mu))
如果有两个分布的比率,可以表示为
(a1/a2) * exp(-(x - mu2).T @ A1 @ (x-mu2)) / exp(-(x - mu1).T @ A2 @ (x-mu2))
因为指数比是差的指数
exp(-(x - mu2).T @ A1 @ (x-mu2) + (x - mu1).T @ A2 @ (x-mu2))
重新安排条款
exp(-x.T @ (A1 - A2) @ x + 2 * x.T @ (A1 @ mu1 - A2 @ mu2) + mu1.T @ A1 @ mu2 + mu2.T @ A2 @ mu2)
术语
2 * x.T @ (A1 @ mu1 - A2 @ mu2)
组合了两个线性术语,并将定义分布的平均值,术语mu1.T @ A1 @ mu2 + mu2.T @ A2 @ mu2
是常量,并将在分布上显示为常量因子缩放高斯曲线的中心是这样的:
(A1 - A2)@ mu3 = (A1 @ mu1 - A2 @ mu2)
因此
mu3 = (A1 - A2).inv() @ (A1 @ mu1 - A2 @ mu2)
和A3=A1-A2
如果
A3
是正定的(所有特征值都是正的),则分布将是平均mu3
的缩放高斯分布多变量z值类似
z值只是指数负变元的两倍的平方根,因此,给定上述等式(用C表示,协方差矩阵)
Z值是曲线“中心”处的值与给定点之间比值的函数。如果
A1 - A2
不是确定的正函数,则它可能为负,这意味着在给定点x
处计算的函数大于在点mu3
处计算的函数相关问题 更多 >
编程相关推荐