comment interpréter numpy.corrélation et de numpy.corrcoef valeurs?

J'ai deux tableaux 1D et je veux voir leurs inter-relations. Quelle procédure dois-je utiliser numpy? Je suis à l'aide de numpy.corrcoef(arrayA, arrayB) et numpy.correlate(arrayA, arrayB) et les deux sont de donner quelques résultats que je ne suis pas en mesure de comprendre ou de comprendre. Quelqu'un peut-il s'il vous plaît faire la lumière sur la manière de comprendre et d'interpréter ces résultats numériques (de préférence à l'aide d'un exemple)? Merci.

InformationsquelleAutor khan | 2012-11-18
  1. 12

    numpy.correlate retourne simplement la corrélation croisée de deux vecteurs.

    si vous avez besoin de comprendre la corrélation croisée, puis démarrer avec http://en.wikipedia.org/wiki/Cross-correlation.

    Un bon exemple peut être vu en regardant la fonction d'autocorrélation (un vecteur de cross-corrélation avec lui-même):

    import numpy as np

# create a vector
vector = np.random.normal(0,1,size=1000) 

# insert a signal into vector
vector[::50]+=10

# perform cross-correlation for all data points
output = np.correlate(vector,vector,mode='full')

    comment interpréter numpy.corrélation et de numpy.corrcoef valeurs?

    Ce sera le retour d'un peigne/shah fonction avec un maximum quand les deux ensembles de données se chevauchent. Comme c'est une autocorrélation il n'y aura pas de "lag" entre les deux signaux d'entrée. Le maximum de la corrélation est donc vecteur.taille-1.

    si vous voulez seulement la valeur de la corrélation pour les données qui se chevauchent, vous pouvez utiliser mode='valid'.

    • c'est un vieux, mais parce que j'ai la même question, je ne comprends pas comment je suis venu à la conclusion. Dois-je ou n'ai-je pas d'autocorrélation sur le rapport? Comment puis-je traduire la sortie ?
    InformationsquelleAutor ebarr
  2. 7

    Je ne peux que commenter numpy.correlate pour le moment. C'est un outil puissant. Je l'ai utilisé à deux fins. La première est de trouver un motif à l'intérieur d'un autre motif:

    import numpy as np
import matplotlib.pyplot as plt

some_data = np.random.uniform(0,1,size=100)
subset = some_data[42:50]

mean = np.mean(some_data)
some_data_normalised = some_data - mean
subset_normalised = subset - mean

correlated = np.correlate(some_data_normalised, subset_normalised)
max_index = np.argmax(correlated)  # 42 !

    La deuxième utilisation, je l'ai utilisé pour (et comment interpréter le résultat) est la fréquence de détection:

    hz_a = np.cos(np.linspace(0,np.pi*6,100))
hz_b = np.cos(np.linspace(0,np.pi*4,100))

f, axarr = plt.subplots(2, sharex=True)

axarr[0].plot(hz_a)
axarr[0].plot(hz_b)
axarr[0].grid(True)

hz_a_autocorrelation = np.correlate(hz_a,hz_a,'same')[round(len(hz_a)/2):]
hz_b_autocorrelation = np.correlate(hz_b,hz_b,'same')[round(len(hz_b)/2):]

axarr[1].plot(hz_a_autocorrelation)
axarr[1].plot(hz_b_autocorrelation)
axarr[1].grid(True)

plt.show()

    comment interpréter numpy.corrélation et de numpy.corrcoef valeurs?

    Trouver l'index de la deuxième sommets. À partir de cela, vous pouvez travailler en arrière pour trouver la fréquence.

    first_min_index = np.argmin(hz_a_autocorrelation)
second_max_index = np.argmax(hz_a_autocorrelation[first_min_index:])
frequency = 1/second_max_index
    • Cela a été vraiment utile. puis-je vous demander, pourquoi prenez-vous le dire? Il ressemble à un décalage de données mais la corrélation est la courbe n'est pas la valeur, non?
    • bonne question. Il y aura une bonne réponse à laquelle je ne peux pas vous dire d'autres que ça ne fonctionne pas si vous n'avez pas de soustraire la moyenne du signal original.
    • La réponse suivante explique pourquoi vous soustraire la moyenne, mais cette personne a choisi de soustraire la moyenne quadratique (RMS) qui réalise essentiellement le même résultat de mes yeux: stackoverflow.com/a/49742901/2303560
    InformationsquelleAutor AJP
  3. 1

    Si vous êtes perplexe quant à l'issue de la np.corrélation de int vecteurs, il peut être dû à débordement:

    >>> a = np.array([4,3,2,1,0,0,0,0,10000,0,0,0], dtype='int16')
>>> np.correlate(a,a[:4])
array([    30,     20,     11,      4,      0,  10000,  20000,  30000,
   -25536], dtype=int16)

    Cet exemple également explaines comment corréler les œuvres:

    30 = 4*4 + 3*3 + 2*2 + 1*1

    20 = 4*3 + 3*2 + 2*1 + 1*0

    11 = 4*2 + 3*1 + 2*0 + 1*0

    ...

    40000 = 4*10000 + 3*0 + 2*0 + 1*0

    montre jusqu'à ce que 40000 - 2**16 = -25536

    InformationsquelleAutor Rainald62