numpy中的加权协方差矩阵

时间:2016-07-19 02:21:04

标签: python arrays numpy covariance

我想计算C量的n测量值的协方差p,其中每个单独的数量测量值都有自己的权重。也就是说,我的体重数组W与数量数组Qn p)具有相同的形状。原生np.cov()函数仅支持给予各个度量的权重(即长度为n的向量)。

我可以通过p矩阵初始化p并进行迭代,但如果p很大,那么这是一个非常缓慢的过程。

由于已知Q每个数量的均值为零(Q的列),因此C的每个元素的显式公式为

C[i,j] = np.sum(
    Q[:, i] * Q[:, j] * W[:, i] * W[:, j]) / np.sum(W[:, i] * W[:, j])

如果我将分子重新排列为Q[:, i] * W[:, i] * Q[:, j] * W[:, j],似乎我应该能够乘以Q * W的列并对其进行求和,然后类似地进行分母(除了使用W * W

有没有办法用np.einsum()执行此操作?

为了进行测试,我们定义以下内容:

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]])

2 个答案:

答案 0 :(得分:1)

经过一些实验,我发现以下工作:

A = np.einsum('ki,kj->ij', Q*W, Q*W)
B = np.einsum('ki,kj->ij', W, W)
C = A/B

答案 1 :(得分:1)

您可以使用np.dot -

非常有效的矩阵乘法
QW = Q*W
C = QW.T.dot(QW)/W.T.dot(W)