pysal.explore.giddy.rank.Tau_Local_Neighbor¶

class pysal.explore.giddy.rank.Tau_Local_Neighbor(x, y, w, permutations=0)[源代码]¶

邻居塞利马。

焦点单位与其邻居之间的局部一致关系。将局部tau分解为相邻和非相邻组件。

参数:	x : 数组 （n，）第一个变量。 y : 数组 （n，）第二个变量。 w : W 空间权重对象。 permutations : 利息 用于基于计算的推理的随机空间排列数。

笔记

计算邻域集LIMA统计的公式可在 [Rey16] 方程（16）。

实例

>>> import pysal.lib as ps
>>> import numpy as np
>>> from pysal.explore.giddy.rank import Tau_Local_Neighbor, SpatialTau
>>> np.random.seed(10)
>>> f = ps.io.open(ps.examples.get_path("mexico.csv"))
>>> vnames = ["pcgdp%d"%dec for dec in range(1940, 2010, 10)]
>>> y = np.transpose(np.array([f.by_col[v] for v in vnames]))
>>> r = y / y.mean(axis=0)
>>> regime = np.array(f.by_col['esquivel99'])
>>> w = ps.weights.block_weights(regime)
>>> res = Tau_Local_Neighbor(r[:,0], r[:,1], w, permutations=999)
>>> res.tau_ln
array([-0.2       ,  1.        ,  1.        ,  1.        ,  0.33333333,
        0.6       ,  0.6       , -0.5       ,  1.        ,  1.        ,
        0.2       ,  0.33333333,  0.33333333,  0.5       ,  1.        ,
        1.        ,  1.        ,  0.        ,  0.6       , -0.33333333,
       -0.33333333, -0.6       ,  1.        ,  0.2       ,  0.        ,
        0.2       ,  1.        ,  0.6       ,  0.33333333,  0.5       ,
        0.5       , -0.2       ])
>>> res.tau_ln_weights
array([0.03968254, 0.03968254, 0.03174603, 0.03174603, 0.02380952,
       0.03968254, 0.03968254, 0.03174603, 0.00793651, 0.03968254,
       0.03968254, 0.02380952, 0.02380952, 0.03174603, 0.00793651,
       0.02380952, 0.02380952, 0.03174603, 0.03968254, 0.02380952,
       0.02380952, 0.03968254, 0.03174603, 0.03968254, 0.03174603,
       0.03968254, 0.03174603, 0.03968254, 0.02380952, 0.03174603,
       0.03174603, 0.03968254])
>>> res.tau_ln_pvalues
array([0.541, 0.852, 0.668, 0.568, 0.11 , 0.539, 0.609, 0.058, 1.   ,
       0.255, 0.125, 0.087, 0.393, 0.433, 0.908, 0.657, 0.447, 0.128,
       0.531, 0.033, 0.12 , 0.271, 0.868, 0.234, 0.124, 0.387, 0.859,
       0.697, 0.349, 0.664, 0.596, 0.041])
>>> res.sign
array([-1,  1,  1,  1,  1,  1,  1, -1,  1,  1,  1,  1,  1,  1,  1,  1,  1,
        1,  1, -1, -1, -1,  1,  1,  1,  1,  1,  1,  1,  1,  1, -1])
>>> (res.tau_ln * res.tau_ln_weights).sum() #global spatial tau
0.39682539682539675
>>> res1 = SpatialTau(r[:,0],r[:,1],w,permutations=999)
>>> res1.tau_spatial
0.3968253968253968

属性:	n : 利息 观察次数。 tau_local : 数组 （n，），局部一致性（经典tau的局部版本）。 S : 数组 （n，n），协和矩阵，S_i，J=1，如果观测i和j是协和的，S_i，J=1，如果观测i和j是不协和的，S_i，J=0，否则。 tau_ln : 数组 （n，）观察到的邻居设置了LIMA值。 tau_ln_weights : 数组 （N，）表示每个位置的邻居的权重设置为lima。gima是邻近集lima的加权平均数。 tau_ln_sim : 数组 （n，排列），邻居设置排列样本的LIMA值（如果排列>0）。 tau_ln_pvalues : 数组 （n，）被观测邻域的单侧伪p值在零值下设置Lima值，即焦点状态与其n本征波之间的一致性关系与随机分布的秩变化所能期望的一致性关系没有区别。 sign : 数组 （n，）值表示一致或不一致：1一致，-1不一致

__init__(x, y, w, permutations=0)[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[，排列]）

初始化自身。