pysal.model.mgwr.gwr.GWR¶

class pysal.model.mgwr.gwr.GWR(coords, y, X, bw, family=<pysal.model.spglm.family.Gaussian object>, offset=None, sigma2_v1=True, kernel='bisquare', fixed=False, constant=True, dmat=None, sorted_dmat=None, spherical=False)[源代码]¶

地理加权回归。目前可以估计高斯模型、泊松模型和逻辑模型（基于GLM框架）。gwr对象准备模型输入。fit方法执行估计并返回gwresults对象。

参数:

坐标 : 类数组 n*2，收集n组（x，y）观测坐标；同时用作校准位置的是“点”设置为“无”。 y : 数组 n*1，因变量 X : 数组 n*k，自变量，取常数 bw : 标量 由距离或n个最近邻组成的带宽值；由用户指定或使用sel_bw获得。 family : 家庭对象 潜在概率模型；提供特定于分布的计算 offset : 数组 n*1，第i个位置的偏移变量。对于泊松模型，这个术语通常是风险人群的大小，或者空间流行病学默认结果的预期大小为“无”，其中所有位置的ni都变为1.0；仅对于泊松模型。 sigma2_v1 : 布尔 指定用于模型诊断的Sigma平方修正分母的形式；可接受的选项包括： 'true'：n-tr（s）（defualt）'false'：n-2（tr（s）+tr（s）） kernel : 一串 用于加权观测值的核函数类型；可用选项：“高斯”双夸尔“指数” fixed : 布尔 基于距离的核函数为真，自适应（最近邻）核函数为假（默认） constant : 布尔 在模型中包含截获（默认值）为true，排除截获为false。 dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 sorted_dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的排序距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 spherical : 布尔 周坐标（长lat）为真，投影坐标（defalut）为假。

实例

#基本模型校准

>>> import pysal.lib as ps
>>> from mgwr.gwr import GWR
>>> data = ps.io.open(ps.examples.get_path('GData_utm.csv'))
>>> coords = list(zip(data.by_col('X'), data.by_col('Y')))
>>> y = np.array(data.by_col('PctBach')).reshape((-1,1))
>>> rural = np.array(data.by_col('PctRural')).reshape((-1,1))
>>> pov = np.array(data.by_col('PctPov')).reshape((-1,1))
>>> african_amer = np.array(data.by_col('PctBlack')).reshape((-1,1))
>>> X = np.hstack([rural, pov, african_amer])
>>> model = GWR(coords, y, X, bw=90.000, fixed=False, kernel='bisquare')
>>> results = model.fit()
>>> print(results.params.shape)
(159, 4)

#在未完成的位置进行预测

>>> index = np.arange(len(y))
>>> test = index[-10:]
>>> X_test = X[test]
>>> coords_test = np.array(coords)[test]
>>> model = GWR(coords, y, X, bw=94, fixed=False, kernel='bisquare')
>>> results = model.predict(coords_test, X_test)
>>> print(results.params.shape)
(10, 4)

属性:

坐标 : 类数组 n*2，用于校准位置的n组（x，y）坐标的集合 y : 数组 n*1，因变量 X : 数组 n*k，自变量，取常数 bw : 标量 由距离或n个最近邻组成的带宽值；由用户指定或使用sel_bw获得。 family : 家庭对象 潜在概率模型；提供特定于分布的计算 offset : 数组 n*1，第i个位置的偏移变量。对于泊松模型，这个术语通常是风险人群的大小，或者空间流行病学默认结果的预期大小为“无”，其中所有位置的ni都变为1.0。 sigma2_v1 : 布尔 指定用于模型诊断的Sigma平方修正分母的形式；可接受的选项包括： 'true'：n-tr（s）（defualt）'false'：n-2（tr（s）+tr（s）） kernel : 一串 用于加权观测值的核函数类型；可用选项：“高斯”双夸尔“指数” fixed : 布尔 基于距离的核函数为真，自适应（最近邻）核函数为假（默认） constant : 布尔 在模型中包含截获（默认）为true，在排除截获时为false dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 sorted_dmat : 数组 n*n，用于计算重量矩阵的校准位置之间的排序距离矩阵。默认为无，主要是为了在带宽选择期间避免重复计算。 spherical : 布尔 周坐标（长lat）为真，投影坐标（defalut）为假。 n : 整数 观测次数 k : 整数 自变量数 mean_y : 浮动 Y均值 std_y : 浮动 y的标准差 fit_params : 双关语 传递给fit方法定义估计例程的参数 W : 数组 n*n，用于加权每个校准点的所有观测值的空间权重矩阵 points : 类数组 n*2，用于校准位置的n组（x，y）坐标的集合，而不是所有观测值；默认为预测方法中指定的无UNLES。 P : 数组 n*k，用于预测的自变量；提取常量；除非在预测方法中指定，否则默认为无。 exog_scale : 标量 使用采样位置估计比例；除非在预测方法中指定，否则默认值为无。 exog_resid : 类数组 使用采样位置估计残差；除非在预测方法中指定，否则defualt为无。

方法

fit \（[iniu params，tol，maxu iter，solve，…]）	使模型与特定的估计程序相匹配的方法。
predict \（点，p [，exog 刻度，exog 剩余，…]）	预测非采样点因变量值的方法

df_model
df_resid

__init__(coords, y, X, bw, family=<pysal.model.spglm.family.Gaussian object>, offset=None, sigma2_v1=True, kernel='bisquare', fixed=False, constant=True, dmat=None, sorted_dmat=None, spherical=False)[源代码]¶

初始化类

方法

__init__ \（坐标，Y ，X ，BW [，族，偏移量，…]）	初始化类
df_model （）
df_resid （）
fit \（[iniu params，tol，maxu iter，solve，…]）	使模型与特定的估计程序相匹配的方法。
predict \（点，p [，exog 刻度，exog 剩余，…]）	预测非采样点因变量值的方法

属性

mean_y
std_y