我看过this question,但它并没有给我任何答案。
基本上,如何使用np.correlate
确定是否存在强关联?我期望得到与matlab xcorr
相同的输出和我可以理解的coeff
选项(1是滞后l
的强相关,0是无关联滞后l
),但np.correlate
产生的值大于1,即使输入向量已在0和1之间归一化。
示例输入
import numpy as np
x = np.random.rand(10)
y = np.random.rand(10)
np.correlate(x, y, 'full')
这给出了以下输出:
array([ 0.15711279, 0.24562736, 0.48078652, 0.69477838, 1.07376669,
1.28020871, 1.39717118, 1.78545567, 1.85084435, 1.89776181,
1.92940874, 2.05102884, 1.35671247, 1.54329503, 0.8892999 ,
0.67574802, 0.90464743, 0.20475408, 0.33001517])
如果我不知道最大可能的相关值是什么,我如何判断什么是强相关性以及什么是弱相关?
另一个例子:
In [10]: x = [0,1,2,1,0,0]
In [11]: y = [0,0,1,2,1,0]
In [12]: np.correlate(x, y, 'full')
Out[12]: array([0, 0, 1, 4, 6, 4, 1, 0, 0, 0, 0])
编辑:这是一个问题很严重的问题,但明确的答案确实回答了问题。我认为重要的是要注意我在这个区域挖掘时发现的东西,你无法比较互相关的输出。换句话说,使用来自互相关的输出来说,信号 x 与信号 y 的关系比信号 z 。互相关不提供这种信息
答案 0 :(得分:9)
numpy.correlate
- 已记录。不过,我认为我们可以理解它。让我们从您的示例案例开始:
>>> import numpy as np
>>> x = [0,1,2,1,0,0]
>>> y = [0,0,1,2,1,0]
>>> np.correlate(x, y, 'full')
array([0, 0, 1, 4, 6, 4, 1, 0, 0, 0, 0])
这些数字是每个可能的滞后的互相关。为了更清楚,让滞后数字高于相关性:
>>> np.concatenate((np.arange(-5, 6)[None,...], np.correlate(x, y, 'full')[None,...]), axis=0)
array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[ 0, 0, 1, 4, 6, 4, 1, 0, 0, 0, 0]])
在这里,我们可以看到互相关在滞后-1处达到峰值。如果您查看上面的x
和y
,那就有意义了:它将y
向左移动一个位置,它与x
完全匹配。
为了验证这一点,让我们再试一次,这次进一步转移y
:
>>> y = [0, 0, 0, 0, 1, 2]
>>> np.concatenate((np.arange(-5, 6)[None,...], np.correlate(x, y, 'full')[None,...]), axis=0)
array([[-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5],
[ 0, 2, 5, 4, 1, 0, 0, 0, 0, 0, 0]])
现在,相关性在-3的滞后处达到峰值,这意味着x
和y
之间的最佳匹配发生在y
向左移动3个位置时。