pysal.viz.mapclassify.Box_Plot¶

class pysal.viz.mapclassify.Box_Plot(y, hinge=1.5)[源代码]¶

方框图分类

参数:	y : 数组 要分类的属性 hinge : 浮动 IQR乘数

笔记

料仓设置如下：

bins[0] = q[0]-hinge*IQR
bins[1] = q[0]
bins[2] = q[1]
bins[3] = q[2]
bins[4] = q[2]+hinge*IQR
bins[5] = inf  (see Notes)

其中q是y的前三个四分位数的数组，iqr=q[2]-q[0]

如果q[2]+铰链*iqr>max（y），则只有5个类，没有高离群值，否则将有6个类，至少有一个高离群值。

实例

>>> import pysal.viz.mapclassify as mc
>>> cal = mc.load_example()
>>> bp = mc.Box_Plot(cal)
>>> bp.bins
array([-5.287625e+01,  2.567500e+00,  9.365000e+00,  3.953000e+01,
        9.497375e+01,  4.111450e+03])
>>> bp.counts
array([ 0, 15, 14, 14,  6,  9])
>>> bp.high_outlier_ids
array([ 0,  6, 18, 29, 33, 36, 37, 40, 42])
>>> cal[bp.high_outlier_ids].values
array([ 329.92,  181.27,  370.5 ,  722.85,  192.05,  110.74, 4111.45,
        317.11,  264.93])
>>> bx = mc.Box_Plot(np.arange(100))
>>> bx.bins
array([-49.5 ,  24.75,  49.5 ,  74.25, 148.5 ])

属性:	yb : 数组 （n，1），用于观察的肥料箱ID bins : 数组 （n，1），每个类的上界（单调） k : 利息 班级数量 counts : 数组 （k，1），属于每一类的观察数 low_outlier_ids : 数组 低异常值的观测指标 high_outlier_ids : 数组 高异常值的观测指标

方法

__call__ \（*args，*kwargs）	这将允许像调用函数一样调用分类器。
find_bin [（x）]	根据当前仓位估计对输入或输入进行排序
get_adcm （）	班级中位数（adcm）周围的绝对偏差。
get_gadf （）	拟合绝对偏差的优度
get_tss （）	类均值的平方和
make \（*args，*kwargs）	根据此函数指定的配置选项，配置并创建将使用数据并生成分类的分类器。
update \（[Y，就地]）	添加数据或更改分类参数。

__init__(y, hinge=1.5)[源代码]¶

参数:	y : 数组（n，1） 要分类的属性 hinge : 浮动 四分位范围的倍数（默认值=1.5）

方法

__init__ \（Y [，铰链]）	参数:
find_bin [（x）]	根据当前仓位估计对输入或输入进行排序
get_adcm （）	班级中位数（adcm）周围的绝对偏差。
get_gadf （）	拟合绝对偏差的优度
get_tss （）	类均值的平方和
make \（*args，*kwargs）	根据此函数指定的配置选项，配置并创建将使用数据并生成分类的分类器。
update \（[Y，就地]）	添加数据或更改分类参数。