pysal.explore.esda.Moran_BV¶

class pysal.explore.esda.Moran_BV(x, y, w, transformation='r', permutations=999)[源代码]¶

双变量莫兰I

参数:	x : 数组 X轴变量 y : 数组 Y轴为Y轴 w : W 假设重量实例与y对齐 transformation : 'R'、'B'、'D'、'U'、'V' 权重转换，默认为行标准化“r”。其他选项包括“B”：二进制，“D”：双重标准化，“U”：未转换（一般权重），“V”：方差稳定。 permutations : 利息 计算伪p_值的随机排列数

笔记

由于分析结果不太可靠，因此只能根据排列进行推理。

实例

>>> import pysal.lib
>>> import numpy as np

设置随机数生成器种子，以便我们可以复制示例

>>> np.random.seed(10)

打开婴儿猝死DBF文件，读取74和79的比率，将每个比率转换为numpy数组。

>>> f = pysal.lib.io.open(pysal.lib.examples.get_path("sids2.dbf"))
>>> SIDR74 = np.array(f.by_col['SIDR74'])
>>> SIDR79 = np.array(f.by_col['SIDR79'])

读取一个gal文件并构造我们的空间权重对象

>>> w = pysal.lib.io.open(pysal.lib.examples.get_path("sids2.gal")).read()

从pysal.explore.esda.moran import moran_bv>>mbi=moran_bv（sidr79，sidr74，w）创建moran_bv>>的实例

二元Moran的i值是多少

>>> round(mbi.I, 3)
0.156

基于999个排列，我们统计的p值是多少

>>> round(mbi.p_z_sim, 3)
0.001

属性:	zx : 数组 用平均值和标准差标准化的原始x变量 zy : 数组 用平均值和标准差标准化的原始Y变量 w : W 原始W对象 permutation : 利息 排列数 I : 浮动 二元Moran's i的值 sim : 数组 （如果置换>0）置换样本i值的向量 p_sim : 浮动 （如果排列>0）基于排列（单侧）的p值空：空间随机性替代：观察到的i是极端的，它是非常高或极低的 EI_sim : 数组 （如果排列>0）排列i的平均值 VI_sim : 数组 （如果排列>0）排列i的方差 seI_sim : 数组 （如果排列>0）排列下i的标准差。 z_sim : 数组 （如果排列>0）基于排列的标准化i p_z_sim : 浮动 （如果置换>0）基于置换的标准正态近似的p值

方法

by_col \（df ，x [，y ，w ，inplace ，pValue ，outvals ]）

在数据帧上计算Moran_bv统计的函数

__init__(x, y, w, transformation='r', permutations=999)[源代码]¶

初始化自身。请参阅帮助（键入（self））以获得准确的签名。

方法

__init__ \（X，Y，W[，转换，排列]）	初始化自身。
by_col \（df ，x [，y ，w ，inplace ，pValue ，outvals ]）	在数据帧上计算Moran_bv统计的函数