pysal.explore.esda.Moran_Local_BV¶

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

二元局部Moran统计

参数:	x : 数组 X轴变量 y : 数组 （N，1），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 geoda_quads : 布尔 （默认值=假）如果真使用geoda方案：hh=1，ll=2，lh=3，hl=4如果假使用pysal方案：hh=1，lh=2，ll=3，hl=4

实例

>>> import pysal.lib
>>> import numpy as np
>>> np.random.seed(10)
>>> w = pysal.lib.io.open(pysal.lib.examples.get_path("sids2.gal")).read()
>>> f = pysal.lib.io.open(pysal.lib.examples.get_path("sids2.dbf"))
>>> x = np.array(f.by_col['SIDR79'])
>>> y = np.array(f.by_col['SIDR74'])
>>> from pysal.explore.esda.moran import Moran_Local_BV
>>> lm =Moran_Local_BV(x, y, w, transformation = "r",                                permutations = 99)
>>> lm.q[:10]
array([3, 4, 3, 4, 2, 1, 4, 4, 2, 4])
>>> lm = Moran_Local_BV(x, y, w, transformation = "r",                                permutations = 99, geoda_quads=True)
>>> lm.q[:10]
array([2, 4, 2, 4, 3, 1, 4, 4, 3, 4])

注意：随机组件结果在架构中的值略有不同，因此结果已从doctest中删除，并将移动到以架构为条件的单元测试中。

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 permutations : 利息 计算伪p_值的随机排列数 Is : 浮动 莫兰一号的价值 q : 数组 （如果排列>0）值表示定量位置1 hh、2 lh、3 ll、4 hl sim : 数组 （如果置换>0）置换样本i值的向量 p_sim : 数组 （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ii距离模拟值的中位数更远或更极端。在模拟IS的分布中，要么是极低的，要么是极高的。 EI_sim : 数组 （如果排列>0）局部的平均值来自排列 VI_sim : 数组 （如果排列>0）的方差来自排列 seI_sim : 数组 （如果排列>0）的标准偏差低于排列。 z_sim : 阿雷 （如果排列>0）标准化是基于排列 p_z_sim : 数组 （如果排列>0）p值基于标准正态近似值，对于双面测试，这些值应乘以2。

方法

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

在数据帧上计算Moran_本地_bv统计的函数

calc

__init__(x, y, w, transformation='r', permutations=999, geoda_quads=False)[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，…]）	初始化自身。
by_col \（df ，x [，y ，w ，inplace ，pValue ，outvals ]）	在数据帧上计算Moran_本地_bv统计的函数
calc \（W，ZX，ZY）