这是pysal的类和函数引用。
pysal.lib
PySAL Core¶weights.W \(邻居[,权重,ID 订购,…]) |
空间权重类。 |
weights.DistanceBand \(数据,阈值[,P,…]) |
基于距离带的空间权重。 |
weights.Kernel \(数据[,带宽,固定,K,…]) |
基于核函数的空间权重。 |
weights.KNN \(数据[,k,p,ids,radius,…]) |
基于k最近邻创建最近邻权重矩阵。 |
weights.Queen \(多边形,**千瓦) |
从至少共享一个顶点的Pysal多边形集合构造权重对象。 |
weights.Rook \(多边形,**千瓦) |
从至少共享一条边的Pysal多边形集合构造一个权重对象。 |
weights.Voronoi (点) |
二维点集的Voronoi权重 |
weights.W \(邻居[,权重,ID 订购,…]) |
空间权重类。 |
weights.WSP \(稀疏[,ID U顺序]) |
SPREG的瘦W类。 |
weights.netW \(链接列表[,共享,转换]) |
根据网络中编码的不同节点关系创建基于网络连续性的权重对象。 |
weights.mat2L \(边矩阵) |
将表示网络连接(边或流)的矩阵转换为表示边的列表 |
weights.ODW \(wo,wd[,transform,…]) |
使用O源和D目的地上的标准空间权重为O*D流构造O*D by O*D源-目的地样式的空间权重。 |
weights.vecW \(原点x,原点y,目标x,…) |
基于距离的矢量空间权重,使用原点x、y坐标和目标x、y坐标之间的四维距离计算 |
weights.block_weights \(状态[,ID,稀疏]) |
为政权邻国构建空间权重。 |
weights.lat2W \([nrows,ncols,rook,idu type]) |
为规则晶格创建W对象。 |
weights.comb \(项目[,n]) |
项目中尺寸n的组合 |
weights.order \(W [,K最大值]) |
确定连续到特定顺序的非冗余顺序。 |
weights.higher_order [W[,k]) |
k阶的邻接权对象。 |
weights.shimbel (W) |
找到一阶邻接矩阵的希姆贝尔矩阵。 |
weights.remap_ids \(W,Old2New[,ID订购]) |
重新映射空间权重对象中的ID。 |
weights.full2W \(M [,ID ]) |
从完整数组创建Pysal W对象。 |
weights.full (W) |
生成完整的numpy数组。 |
weights.WSP2W \(wsp [,静音警告]) |
将Pysal WSP对象(细权重矩阵)转换为Pysal W对象。 |
weights.get_ids \(在u shps,idvariable中) |
从与给定形状文件或geopandas.geodataframe一起移动的dbf文件中获取ID。 |
weights.get_points_array_from_shapefile (…) |
从给定的形状文件获取X和Y坐标的数据数组。 |
weights.min_threshold_distance \(数据[,P ]) |
获取最大最近邻距离。 |
weights.lat2SW \([nrows,ncols,criteria,rowu st ]) |
为规则晶格创建稀疏的W矩阵。 |
weights.w_local_cluster (W) |
图中作为节点的每个单元的局部聚类系数。 |
weights.higher_order_sp \(W [,K ,…]) |
稀疏W的邻接权重或顺序K的邻接权重。 |
weights.hexLat2W \([nrows,ncols]) |
为六角形晶格创建W对象。 |
weights.attach_islands \(w,wu knn1) |
以空间权重w将最近的邻居连接到岛屿。 |
weights.nonplanar_neighbors \(W,地理数据帧) |
检测非平面多边形集合的邻居 |
weights.fuzzy_contiguity \(gdf [,公差,…]) |
模糊邻接空间权重 |
weights.min_threshold_dist_from_shapefile (…) |
具有自适应带宽的内核权重。 |
weights.build_lattice_shapefile \(nrows,…) |
用nrows行和ncols列构建一个格子形状文件。 |
weights.spw_from_gal [(GALFILE)] |
从gal文件中稀疏w的scipy矩阵。 |
weights.w_union \(w1,w2[,静音警告]) |
返回二进制权重对象w,该对象包括w1或w2中存在的所有邻居对。 |
weights.w_intersection \(w1,w2[,wu shape,…]) |
返回二进制权重对象w,该对象只包含w1和w2中存在的那些邻居对。 |
weights.w_difference \(w1,w2[,wu shape,…]) |
返回binary weights对象w,它只包含w1中不在w2中的邻居对。 |
weights.w_symmetric_difference \(w1,w2[,…]) |
返回二进制权重对象w,该对象只包含w1和w2不共享的邻居对。 |
weights.w_subset \(w1,ids [,silence u warnings ]) |
返回一个binary weights对象w,该对象只包含id中的那些观测值。 |
weights.w_clip \(w1 ,w2 [,outsp ,silence u warnings ]) |
使用不同的w对象(w2)裁剪连续w对象(w1),以便只有w2具有非零值的单元格在w1中保留非零值。 |
weights.lag_spatial (w,y) |
空间滞后运算符。 |
weights.lag_categorical \(W,Y[,领带]) |
分类变量的空间滞后运算符。 |
cg.alpha_shape \(xys,alpha) |
阿尔法形状描绘(埃德尔斯布伦纳,柯克帕特里克和塞德尔,1983年)从一个点集合… |
cg.alpha_shape_auto \(xys [,步骤,详细]) |
自动选择α来计算α形状轮廓。 |
cg.voronoi_frames \(点[,半径]) |
将voronoi区域和生成器点作为单个数据帧返回的复合助手 |
cg.RADIUS_EARTH_KM |
浮点(X)->浮点数 |
cg.RADIUS_EARTH_MILES |
浮点(X)->浮点数 |
cg.arcdist \(pt0,pt1[,半径]) |
球面上两点之间的弧距离。 |
cg.arcdist2linear \(弧距离[,半径]) |
将单位球体中的弧距离(球形地球)转换为线性距离(r3)。 |
cg.brute_knn \(点,k [,模式]) |
有效模式为['arc'、'xrz'] |
cg.fast_knn \(点,k [,返回距离]) |
计算一个球体上的K最近邻。 |
cg.fast_threshold \(点,距离[,半径]) |
在阈值距离内查找球体上的所有邻居 |
cg.linear2arcdist \(线性距离[,半径]) |
将单位球体(r3)中的线性距离转换为基于提供的半径的弧距离 |
cg.toLngLat (XYZ) |
将X、Y、Z转换为纬度和经度 |
cg.toXYZ [(Pt)] |
将点的纬度和经度转换为X、Y、Z |
cg.lonlat \(点列表) |
将点顺序从lat-lon元组转换为lon-lat(x,y)元组 |
cg.harcdist \(p0,p1[,lonx,radius]) |
替代弧距函数,使用哈弗斯线公式 |
cg.geointerpolate \(p0,p1,t [,lonx ]) |
沿大圆查找球体上两点之间的距离(在大圆导航中也称为路点)的点 |
cg.geogrid \(小狗,pdown ,k [,lonx ]) |
使用geoipolate为lat lon中的边界框计算k+1乘以k+1的网格点集 |
cg.Point \(LOC) |
点对象的几何类。 |
cg.LineSegment \(开始点,结束点) |
直线段对象的几何表示。 |
cg.Line (m,b) |
线条对象的几何表示。 |
cg.Ray \(原点,第二个点) |
射线物体的几何表示。 |
cg.Chain \(顶点) |
链的几何表示,也称为多段线。 |
cg.Polygon \(顶点[,孔]) |
多边形对象的几何表示。 |
cg.Rectangle \(左、下、右、上) |
矩形对象的几何表示。 |
cg.asShape [(Obj]) |
从obj返回pysal shape对象。 |
cg.bbcommon \(bb,bb其他) |
在pysal.weights中也定义了边界框重叠测试的旧星方法。 |
cg.get_bounding_box (项目) |
查找几何图形列表的边界框 |
cg.get_angle_between \(光线1,光线2) |
返回共享原点的一对光线之间形成的角度获取(ray,ray)->数字之间的角度 |
cg.is_collinear \(p1,p2,p3) |
返回三个点是否共线。 |
cg.get_segments_intersect \(第1段、第2段) |
返回两段的交集。 |
cg.get_segment_point_intersect (SEG,Pt) |
返回段和点的交点。 |
cg.get_polygon_point_intersect [聚(Pt)] |
返回多边形与点的交点。 |
cg.get_rectangle_point_intersect [(t,t)] |
返回矩形与点的交集。 |
cg.get_ray_segment_intersect [(射线,SEG)] |
返回光线与线段的交点。 |
cg.get_rectangle_rectangle_intersection [(R0,R1)] |
返回两个矩形之间的交集。 |
cg.get_polygon_point_dist [聚(Pt)] |
返回多边形和点之间的距离。 |
cg.get_points_dist \(第1、2页) |
返回一对点之间的距离。 |
cg.get_segment_point_dist (SEG,Pt) |
返回直线段与点之间的距离,以及沿直线段上最近点的段与点之间的距离,与直线段的长度之比。 |
cg.get_point_at_angle_and_dist \(光线,角度,距离) |
返回相对于光线原点的距离和角度的点。 |
cg.convex_hull (点) |
返回一组点的凸壳。 |
cg.is_clockwise \(顶点) |
返回描述多边形的点列表是顺时针还是逆时针。 |
cg.point_touches_rectangle \(点,矩形) |
如果点在矩形中或触及其边界,则返回true。 |
cg.get_shared_segments \(poly1,poly2 [,bool u ret ]) |
返回两个多边形共用的线段。 |
cg.distance_matrix \(x [,p,阈值]) |
距离矩阵 |
cg.Grid \(边界,分辨率) |
表示一个分块数据结构。 |
cg.PointLocator (点) |
点索引数据结构的抽象表示。 |
cg.PolygonLocator (多边形) |
多边形索引数据结构的抽象表示。 |
io.open |
pysal.lib.io.fileio.FileIO 的别名 |
io.fileio.FileIO \([数据路径,模式,数据格式]) |
支持空间数据文件读写的元类 |
examples.available \([详细]) |
列出可用数据集 |
examples.explain (姓名) |
按名称解释数据集 |
examples.get_path \(例如名称[,原始]) |
获取示例文件夹的路径 |
pysal.explore
:探索性空间数据分析¶esda.Gamma \(Y,W[,操作,标准化,…]) |
空间自相关的伽马指数 |
esda.Geary \(Y,W[,转换,排列]) |
全局齿轮C自相关统计 |
esda.G \(Y、W、排列方式) |
全局G自相关统计 |
esda.G_Local \(y,w[,transform,…]) |
广义局部G自相关 |
esda.Join_Counts \(Y、W、排列方式) |
二进制联接计数 |
esda.Moran \(Y,W[,转换,…]) |
全球自相关统计 |
esda.Moran_BV \(X,Y,W[,转换,…]) |
双变量莫兰I |
esda.Moran_BV_matrix \(变量,w [,…]) |
二元Moran矩阵 |
esda.Moran_Local \(Y,W[,转换,…]) |
当地莫兰统计 |
esda.Moran_Local_BV \(X,Y,W[,…]) |
二元局部Moran统计 |
esda.Moran_Rate \(E,B,W[,已调整,…]) |
利率变量的修正莫兰I全局自相关统计 [AR99] |
esda.Moran_Local_Rate \(E,B,W[,已调整,…]) |
调整了利率变量的本地Moran统计数据[assuncao1999]_ |
giddy.markov.Markov \(类标识[,类]) |
经典马尔可夫转移矩阵。 |
giddy.markov.Spatial_Markov \(Y,W[,K,M,…]) |
马尔可夫跃迁的条件是空间滞后的值。 |
giddy.markov.LISA_Markov \(Y,W[,…]) |
空间关联局部指标的马尔可夫 |
giddy.markov.FullRank_Markov |
|
giddy.markov.GeoRank_Markov |
|
giddy.markov.kullback \(F) |
马尔可夫同质性的基于Kullback信息的检验。 |
giddy.markov.prais (PMAT) |
prais条件迁移度量。 |
giddy.markov.homogeneity \(转换矩阵) |
检验跨状态马尔可夫转移概率的同质性。 |
giddy.markov.sojourn_time |
|
giddy.ergodic.steady_state [(p)] |
计算正则马尔可夫转移矩阵p的稳态概率向量。 |
giddy.ergodic.fmpt [(p)] |
计算遍历转移概率矩阵的第一平均通过时间矩阵。 |
giddy.ergodic.var_fmpt [(p)] |
遍历转移概率矩阵的第一平均通过时间的方差。 |
giddy.directional.Rose \(Y、W、K和) |
基于玫瑰图的定向Lisa推理。 |
giddy.mobility.markov_mobility \(P [,度量值,ini ]) |
基于马尔可夫的流动指数。 |
giddy.rank.Theta \(Y,状态[,排列]) |
制度流动性措施。 |
giddy.rank.Tau \(X,Y) |
肯德尔的tau是基于两个变量之间具有一致秩的n个观测对的数量的比较。 |
giddy.rank.SpatialTau \(X,Y,W[,排列]) |
肯德尔秩相关统计的空间版本。 |
giddy.rank.Tau_Local \(X,Y) |
经典tau的本地版本。 |
giddy.rank.Tau_Local_Neighbor \(X,Y,W[,…]) |
邻居塞利马。 |
giddy.rank.Tau_Local_Neighborhood \(X,Y,W[,…]) |
利马附近。 |
giddy.rank.Tau_Regional \(X,Y,状态[,…]) |
经典tau的跨区域分解。 |
inequality.theil.Theil (y) |
经典泰尔不等式测度 |
inequality.theil.TheilD \(Y,分区) |
基于观测到的穷尽和互斥群的泰尔T分解 |
inequality.theil.TheilDSim \(Y,分区[,…]) |
基于泰尔不等式分解的随机置换推理。 |
inequality.gini.Gini_Spatial \(X,W[,…]) |
空间基尼系数 |
pointpats.PointPattern \(点[, window, ...] ) |
二维平面点模式。 |
pointpats.PointProcess \(窗口,n,示例[, ...] ) |
点进程基类。 |
pointpats.PoissonPointProcess \(窗口,n,示例) |
泊松点过程包括 \(N\) -条件CSR过程和 \(\lambda\) -有条件的企业社会责任流程。 |
pointpats.PoissonClusterPointProcess \(窗口,…) |
泊松聚类点过程(内曼·斯科特)。 |
pointpats.mbr (点) |
查找点数组的最小边界矩形。 |
pointpats.hull (点) |
找到点阵列的凸面外壳。 |
pointpats.mean_center (点) |
求点阵列的平均中心。 |
pointpats.weighted_mean_center \(点,权重) |
找出标记点模式的加权平均中心。 |
pointpats.manhattan_median (点) |
找到点阵列的曼哈顿中值。 |
pointpats.std_distance (点) |
计算点阵列的标准距离。 |
pointpats.euclidean_median (点) |
计算点模式的欧几里得中值。 |
pointpats.ellipse (点) |
计算点模式标准偏差椭圆的参数。 |
pointpats.skyum \(点[, not_hull] ) |
对r^2中的最小边界圆实现Skyum(1990)的算法。 |
pointpats.dtot \(坐标,点) |
事件点和选定点之间的欧几里得距离之和。 |
pointpats._circle \(P、Q、R)[, dmetric] ) |
返回由三角形pqr限定的圆的半径(圆心,圆心)。 |
pointpats.RectangleM \(聚丙烯)[, count_column, ...] ) |
矩形网格结构为基于四边形的方法。 |
pointpats.HexagonM \(左/右) |
六角形网格结构为四边形法。 |
pointpats.QStatistic \(聚丙烯)[, shape, nx, ny, ...] ) |
点模式的四次分析。 |
pointpats.DStatistic (姓名) |
距离统计的抽象基类。 |
pointpats.G \(聚丙烯)[, intervals, dmin, dmax, d] ) |
估计点模式的最近邻距离分布函数g。 |
pointpats.F \(聚丙烯)[, n, intervals, dmin, dmax, d] ) |
估计点模式的空空间分布函数:f(d)。 |
pointpats.J \(聚丙烯)[, n, intervals, dmin, dmax, d] ) |
估计点模式的J函数 [LB96] |
pointpats.K \(聚丙烯)[, intervals, dmin, dmax, d] ) |
估计点模式的k函数。 |
pointpats.L \(聚丙烯)[, intervals, dmin, dmax, d] ) |
估计点模式的L函数。 |
pointpats.Envelopes * ARGs, * * 克瓦格斯) |
模拟信封的抽象基类。 |
pointpats.Genv \(聚丙烯)[, intervals, dmin, dmax, ...] ) |
G函数的模拟包络。 |
pointpats.Fenv \(聚丙烯)[, n, intervals, dmin, ...] ) |
F函数的模拟包络。 |
pointpats.Jenv \(聚丙烯)[, n, intervals, dmin, ...] ) |
j函数的模拟包络。 |
pointpats.Kenv \(聚丙烯)[, intervals, dmin, dmax, ...] ) |
k函数的模拟包络。 |
pointpats.Lenv \(聚丙烯)[, intervals, dmin, dmax, ...] ) |
L函数的模拟包络。 |
pointpats.Window \(零件[, holes] ) |
点模式的几何容器。 |
pointpats.as_window \(皮萨尔多边形) |
将pysal.lib多边形转换为窗口。 |
pointpats.poly_from_bbox \(bbox) |
|
pointpats.to_ccf \(聚乙烯) |
spaghetti.NetworkBase \(NTW,PointPattern[,…]) |
用于对意大利面条执行网络分析的基本对象。网络对象。 |
spaghetti.NetworkBase.computeenvelope () |
计算信封的上下限 |
spaghetti.NetworkBase.setbounds (最近) |
设置上下限 |
spaghetti.NetworkBase.validatedistribution () |
支持统计分布 |
spaghetti.NetworkF \(NTW,PointPattern[,…]) |
计算网络约束的F统计量。 |
spaghetti.NetworkF.computeenvelope () |
计算信封的上下限 |
spaghetti.NetworkF.setbounds (最近) |
设置上下限 |
spaghetti.NetworkF.validatedistribution () |
支持统计分布 |
spaghetti.NetworkF.computeobserved () |
计算观测最近和模拟最近 |
spaghetti.NetworkF.computepermutations () |
计算最近的排列 |
spaghetti.NetworkG \(NTW,PointPattern[,…]) |
计算一个网络约束的G统计量。 |
spaghetti.NetworkG.computeenvelope () |
计算信封的上下限 |
spaghetti.NetworkG.setbounds (最近) |
设置上下限 |
spaghetti.NetworkG.validatedistribution () |
支持统计分布 |
spaghetti.NetworkG.computeobserved () |
计算最近观测值 |
spaghetti.NetworkG.computepermutations () |
计算最近的排列 |
spaghetti.NetworkK \(NTW,PointPattern[,…]) |
计算网络约束k统计量。 |
spaghetti.NetworkK.computeenvelope () |
计算信封的上下限 |
spaghetti.NetworkK.setbounds (最近) |
设置上下限 |
spaghetti.NetworkK.validatedistribution () |
支持统计分布 |
spaghetti.NetworkK.computeobserved () |
计算最近观测值 |
spaghetti.NetworkK.computepermutations () |
计算最近的排列 |
spaghetti.PointPattern \([在u数据,…]) |
用于存储点模式的存根点模式类。 |
spaghetti.SimulatedPointPattern () |
结构样式类以镜像点模式类。 |
spaghetti.compute_length \(V0,V1) |
计算两点之间的欧几里得距离。 |
spaghetti.dijkstra \(NTW ,成本,v0 [,N ]) |
计算起点节点和起点-终点矩阵中所有其他节点之间的最短路径。 |
spaghetti.dijkstra_mp \(NTW成本节点) |
根据请求,使用多个核心计算开始节点和Web中所有其他节点之间的最短路径。 |
spaghetti.generatetree (PRDD) |
重建从根原点到目标的最短路径 |
spaghetti.get_neighbor_distances \(NTW、V0、L) |
沿着连接边缘获取到最近节点邻居的距离。 |
spaghetti.snap_points_on_segments \(点,…) |
将点放在一组分段中的壁橱分段上 |
spaghetti.squared_distance_point_segment (…) |
求点与线段之间的平方距离。 |
spaghetti.ffunction \(最近的,较低的,…) |
计算f函数 |
spaghetti.gfunction \(最近的,较低的,…) |
计算G函数 |
spaghetti.kfunction \(最近的,上界的,…) |
计算k函数 |
pysal.viz
:地理可视化¶mapclassify.Box_Plot \(Y [,铰链]) |
方框图分类 |
mapclassify.Equal_Interval [y[,k]) |
等间隔分类 |
mapclassify.Fisher_Jenks [y[,k]) |
Fisher-Jenks最优分类器-基于均值 |
mapclassify.Fisher_Jenks_Sampled \(Y[,K,…]) |
基于随机样本的Fisher-Jenks最优分类器 |
mapclassify.HeadTail_Breaks (y) |
重尾分布的首尾断裂图分类 |
mapclassify.Jenks_Caspall [y[,k]) |
Jenks Caspall地图分类 |
mapclassify.Jenks_Caspall_Forced [y[,k]) |
Jenks Caspall地图强制移动分类 |
mapclassify.Jenks_Caspall_Sampled \(Y [,K ,PCT ]) |
使用随机样本的Jenks Caspall地图分类 |
mapclassify.Max_P_Classifier \(Y[,K,首字母]) |
最大地图分类 |
mapclassify.Maximum_Breaks \(Y[,K,Mindiff]) |
最大断裂图分类 |
mapclassify.Natural_Breaks \(Y[,K,首字母]) |
自然断裂图分类 |
mapclassify.Quantiles [y[,k]) |
分位数图分类 |
mapclassify.Percentiles \(Y[,PCT]) |
百分位数地图分类 |
mapclassify.Std_Mean \(Y[,倍数]) |
标准差和平均图分类 |
mapclassify.User_Defined (Y,箱) |
用户指定的绑定 |
mapclassify.K_classifiers \(Y[,PCT]) |
评估所有K分类器并根据K和GADF选择最佳 |
mapclassify.gadf \(y [,方法,maxk ,pct ]) |
评估分类器的绝对偏差拟合优度,找到gadf>pct的k的最小值。 |
splot.giddy.dynamic_lisa_heatmap |
|
splot.giddy.dynamic_lisa_rose |
|
splot.giddy.dynamic_lisa_vectors |
|
splot.giddy.dynamic_lisa_composite |
|
splot.giddy.dynamic_lisa_composite_explore |
splot.esda.moran_scatterplot \(莫兰[,…]) |
莫兰散点图 |
splot.esda.plot_moran \(莫兰[,Z标准,…]) |
全球莫兰I模拟了参考分布和散射图。 |
splot.esda.plot_moran_simulation \(莫兰[,…]) |
全球莫兰I模拟参考分布。 |
splot.esda.plot_moran_bv \(Moran u bv [,…]) |
二元Moran's I模拟了参考分布和散射图。 |
splot.esda.plot_moran_bv_simulation (莫兰BV) |
二元Moran's I模拟了参考分布。 |
splot.esda.lisa_cluster \(moran u loc ,gdf [,p ,…]) |
创建Lisa群集映射 |
splot.esda.plot_local_autocorrelation \(…[,…]) |
制作莫兰·斯卡特普洛特、丽莎集群和合唱团地图的三个绘图可视化,并使用本地莫兰区域和象限遮罩。 |
splot.esda.moran_facet \(莫兰矩阵 |
Moran方面可视化。 |
splot.libpysal.plot_spatial_weights (W,GDF) |
绘制空间权重网络。 |
splot.mapping.value_by_alpha_cmap \(X,Y[,…]) |
按alpha rgba值计算值 |
splot.mapping.vba_choropleth \(X,Y,GDF[,…]) |
alpha choropleth值 |
splot.mapping.vba_legend \(rgb 箱,…[,ax ]) |
通过用作副歌图例的alpha heatmap创建值。 |
splot.mapping.mapclassify_bin \(Y,分类器) |
将数据分类为 pysal.mapclassify 注意:输入参数取决于使用的分类器。 |
pysal.model
:用于空间数据分析的线性模型¶这些是由 spreg 包裹。每个文档在其docstring中都包含大量详细信息,讨论了如何使用它们、它们如何适合以及如何解释结果。
spreg.OLS \(Y、X[、W、Robust、GWK、Sig2N、U K、…]) |
带结果和诊断的普通最小二乘法。 |
spreg.ML_Lag \(y,x,w[,method,epsilon,…]) |
所有结果和诊断的空间滞后模型的ML估计;Anselin(1988年)【Anselin1988年】_ |
spreg.ML_Error \(y,x,w[,method,epsilon,…]) |
所有结果和诊断的空间滞后模型的ML估计;Anselin(1988年)【Anselin1988年】_ |
spreg.GM_Lag \(Y、X[、Yend、Q、W、W标记、…]) |
空间两阶段最小二乘法(s2sls),结果和诊断;Anselin(1988年)【Anselin1988年】_ |
spreg.GM_Error \(y,x,w[,vm,nameu y,…]) |
空间误差模型的GMM方法,包括结果和诊断;基于Kelejian和Prucha(1998年、1999年)【Kelejian1998年】【Kelejian1999年】。 |
spreg.GM_Error_Het \(y,x,w[,maxi ter,…]) |
具有异方差性的空间误差模型的GMM方法,包括结果和诊断;基于arraiz等人[arraiz2010]uuu,遵循anselin[anselin2011]u。 |
spreg.GM_Error_Hom \(y,x,w[,maxi ter,…]) |
基于Drukker等人的空间误差模型的GMM方法,具有同构性、结果和诊断。 |
spreg.GM_Combo \(Y、X[、Yend、Q、W、W标记、…]) |
基于Kelejian和Prucha(1998年,1999年)【Kelejian1998年】【Kelejian1999年】【uuuu】的带有内生变量的空间滞后和误差模型的GMM方法,以及结果和诊断。 |
spreg.GM_Combo_Het \(Y,X[,Yend,Q,W,…]) |
基于arraiz等人[arraiz2010]uuu的空间滞后和误差模型的GMM方法,具有异方差和内生变量、结果和诊断;遵循Anselin[Anselin2011]uuu。 |
spreg.GM_Combo_Hom \(Y,X[,Yend,Q,W,…]) |
基于Drukker等人的空间滞后和误差模型的GMM方法,具有同构性和内生变量、结果和诊断。 |
spreg.GM_Endog_Error \(Y、X、Yend、Q、W[、VM、…]) |
基于Kelejian和Prucha(1998年,1999年)【Kelejian1998年】【Kelejian1999年】【uuux】的带有内生变量的空间误差模型的GMM方法,并给出结果和诊断。 |
spreg.GM_Endog_Error_Het \(Y、X、Yend、Q、W[、…]) |
基于arraiz等人[arraiz2010]uuu的空间误差模型的GMM方法,具有异方差性和内生变量,结果和诊断;遵循Anselin[Anselin2011]uu。 |
spreg.GM_Endog_Error_Hom \(Y、X、Yend、Q、W[、…]) |
基于Drukker等人的空间误差模型的GMM方法,具有同构性和内生变量、结果和诊断。 |
spreg.TSLS \(Y、X、Yend、Q[、W、Robust、GWK、…]) |
两阶段最小二乘与结果和诊断。 |
spreg.ThreeSLS \(bigy,bigx,bigyend,bigq[,…]) |
3sls估计的用户类 |
状态模型是空间回归模型的变体,它允许参数中的结构不稳定。这意味着这些模型允许在不同的数据子集中使用不同的系数值。
spreg.OLS_Regimes \(Y,X,状态[,W,…]) |
带结果和诊断的普通最小二乘法。 |
spreg.ML_Lag_Regimes \(Y,X,状态[,W,…]) |
带状态的空间滞后模型的ML估计(注:未添加一致性检查、诊断或常量);Anselin(1988年)【Anselin1988年】_ |
spreg.ML_Error_Regimes \(Y,X,状态[,W,…]) |
带状态的空间误差模型的ML估计(注:未添加一致性检查、诊断或常数);Anselin(1988年)【Anselin1988年】_ |
spreg.GM_Lag_Regimes \(Y,X,状态[,是和,…]) |
空间两阶段最小二乘法(s2sls)与制度;Anselin(1988年)【Anselin1988年】_ |
spreg.GM_Error_Regimes \(Y,X,状态,W[,…]) |
基于Kelejian和Prucha(1998年,1999年)【Kelejian1998年】【Kelejian1999年】uu的空间误差模型的GMM方法,包括状态、结果和诊断。 |
spreg.GM_Error_Het_Regimes \(Y、X、状态、W) |
基于arraiz等人[arraiz2010]uuu的空间误差模型的GMM方法,遵循Anselin[Anselin2011]u。 |
spreg.GM_Error_Hom_Regimes \(Y、X、状态、W) |
基于Drukker等人的空间误差模型的GMM方法,具有同构性、状态、结果和诊断。 |
spreg.GM_Combo_Regimes \(Y,X,状态[,…]) |
基于Kelejian和Prucha(1998年,1999年)【Kelejian1998年】【Kelejian1999年】uuu的空间滞后和误差模型的GMM方法,包括状态和内生变量、结果和诊断。 |
spreg.GM_Combo_Hom_Regimes \(Y,X,状态[,…]) |
基于Drukker等人的空间滞后和误差模型的GMM方法,具有同构性、状态和内生变量、结果和诊断。 |
spreg.GM_Combo_Het_Regimes \(Y,X,状态[,…]) |
空间滞后和误差模型的GMM方法,具有异方差、状态和内生变量,具有结果和诊断;基于Arraiz等人[Arraiz2010]uuu,遵循Anselin[Anselin2011]uu。 |
spreg.GM_Endog_Error_Regimes \(Y,X,Yend,Q,…) |
基于Kelejian和Prucha(1998年,1999年)【Kelejian1998年】【Kelejian1999年】【uuuu】的具有状态和内生变量、结果和诊断的空间误差模型的GMM方法。 |
spreg.GM_Endog_Error_Hom_Regimes \(Y,X,Yend,…) |
空间误差模型的GMM方法,具有同构性、状态和内生变量。 |
spreg.GM_Endog_Error_Het_Regimes \(Y,X,Yend,…) |
空间误差模型的GMM方法,具有异方差性、状态和内生变量、结果和诊断;基于arraiz等人[arraiz2010]uuu,遵循Anselin[Anselin2011]uuu。 |
mgwr.gwr.GWR \(coords,y,x,bw[,family,…]) |
地理加权回归。 |
mgwr.gwr.GWRResults \(型号,参数,PREDY ,S ,CCT ) |
基本类,包括所有GWR回归模型的公共属性 |
mgwr.gwr.GWRResultsLite \(型号,剩余,流入) |
轻量GWR,计算带宽选择所需的最小诊断 |
mgwr.gwr.MGWR \(坐标,Y,X,选择器[,…]) |
多尺度GWR估计与推理。 |
mgwr.gwr.MGWRResults \(型号,参数,Predy ,…) |
类,包括MGWR模型的公共属性。 |
mgwr.kernels.Kernel |
|
mgwr.kernels.local_cdist |
mgwr.sel_bw.Sel_BW \(坐标,Y ,X 位置[,…]) |
为内核选择带宽 |
mgwr.utils.shift_colormap \(cmap [,开始,…]) |
函数来偏移颜色图的“中心”。 |
mgwr.utils.truncate_colormap \(cmap [,minval,…]) |
函数通过选择原始颜色映射值的子集来截断颜色映射 |
mgwr.utils.compare_surfaces \(数据,var1 ,…) |
创建gwr和mgwr表面比较可视化的函数。 |