pysal.viz.mapclassify.Natural_Breaks¶

class pysal.viz.mapclassify.Natural_Breaks(y, k=5, initial=100)[源代码]¶

自然断裂图分类

参数:	y : 数组 （n，1），要分类的值 k : 利息 需要的类数 最初的 : 利息 要生成的初始解决方案数（默认值=100）

笔记

在速度和分类的一致性之间有一个折衷。如果你想要更高的速度，将初始值设置为一个较小的值（0会产生最佳的速度，如果你想要在同一个数据上的多次自然中断中更一致的类，将初始值设置为更高的值。

实例

>>> import numpy as np
>>> import pysal.viz.mapclassify as mc
>>> np.random.seed(123456)
>>> cal = mc.load_example()
>>> nb = mc.Natural_Breaks(cal, k=5)
>>> nb.k
5
>>> nb.counts
array([41,  9,  6,  1,  1])
>>> nb.bins
array([  29.82,  110.74,  370.5 ,  722.85, 4111.45])
>>> x = np.array([1] * 50)
>>> x[-1] = 20
>>> nb = mc.Natural_Breaks(x, k = 5, initial = 0)

警告：数组中的唯一值不足，无法形成k类警告：将k设置为2

>>> nb.bins
array([ 1, 20])
>>> nb.counts
array([49,  1])

属性:	yb : 数组 （n，1），用于观察的肥料箱ID， bins : 数组 （k，1），每个类的上界 k : 利息 班级数量 counts : 数组 （k，1），属于每一类的观察数

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, k=5, initial=100)[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__ \（Y[，K，首字母]）	初始化自身。
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。