pysal.lib.weights.DistanceBand¶

class pysal.lib.weights.DistanceBand(data, threshold, p=2, alpha=-1.0, binary=True, ids=None, build_sp=True, silence_warnings=False, distance_metric='euclidean', radius=None)[源代码]¶

基于距离带的空间权重。

参数:

参数:	data : 数组（n，k）或kdtree，其中kdtree.data是数组（n，k）n用于测量n个对象之间距离的k特征观测值门槛 : 浮动距离带 p : 浮动 Minkowski p-norm距离度量参数：1<=p<=无穷大2:欧几里得距离1:曼哈顿距离 binary : 布尔如果为真w_i j=1，如果为d_i，j<=阈值，否则为w_i，j=0，如果为假w i j=d i j ^ alpha 阿尔法 : 浮动权重的距离衰减参数（默认值为-1.0）。如果alpha为正数，则权重不会随距离而下降。如果binary为true，则忽略alpha ids : 列表用于相邻键和权重dict的值 build_sp : 布尔建立稀疏距离矩阵是正确的，建立密集距离矩阵是错误的；在应用距离矩阵和阈值的稀疏性上，可以获得显著的速度增益。 silent : 布尔默认情况下，如果数据集包含任何断开连接的观测值或孤岛，pysal.lib将打印警告。若要取消此警告，请将此参数设置为“真”。

data : 数组: （n，k）或kdtree，其中kdtree.data是数组（n，k）n用于测量n个对象之间距离的k特征观测值
门槛 : 浮动: 距离带
p : 浮动: Minkowski p-norm距离度量参数：1<=p<=无穷大2:欧几里得距离1:曼哈顿距离
binary : 布尔: 如果为真w_i j=1，如果为d_i，j<=阈值，否则为w_i，j=0，如果为假w i j=d i j ^ alpha
阿尔法 : 浮动: 权重的距离衰减参数（默认值为-1.0）。如果alpha为正数，则权重不会随距离而下降。如果binary为true，则忽略alpha
ids : 列表: 用于相邻键和权重dict的值
build_sp : 布尔: 建立稀疏距离矩阵是正确的，建立密集距离矩阵是错误的；在应用距离矩阵和阈值的稀疏性上，可以获得显著的速度增益。
silent : 布尔: 默认情况下，如果数据集包含任何断开连接的观测值或孤岛，pysal.lib将打印警告。若要取消此警告，请将此参数设置为“真”。

笔记

这最初是在运行scipy 0.8.0dev（在EPD 6.1中）时实现的。scipy（0.7.0）的早期版本在scipy/sparse/dok.py中有一个逻辑错误，所以serge在sal dev上更改了该文件的第221行以修复逻辑错误。

实例

>>> import pysal.lib
>>> points=[(10, 10), (20, 10), (40, 10), (15, 20), (30, 20), (30, 30)]
>>> wcheck = pysal.lib.weights.W({0: [1, 3], 1: [0, 3], 2: [], 3: [0, 1], 4: [5], 5: [4]})

警告：有一个断开连接的观测（没有邻居）岛ID:[2]>>>W=pysal.lib.weights.Distance.DistanceBand（点，阈值=11.2）

警告：有一个断开连接的观测（没有邻居）孤岛ID:[2]>>>pysal.lib.weights.util.neighbor_equality（w，wcheck）true>>w=pysal.lib.weights.Distance.DistanceBand（Points，Threshold=14.2）>>>wcheck=pysal.lib.weights.w（0:[1，3]，1:[0，3，4]，3:[1，0]，4:[5，2，1]，5:[4]>>>pysal.lib.weights.util.neighbor_equa真实性（w，wcheck）

反距离权重

>>> w=pysal.lib.weights.distance.DistanceBand(points,threshold=11.2,binary=False)

警告：有一个断开连接的观测（无邻居）岛ID:[2]>>>W.WEIGHTS[0][0.1，0.08944271909999159]>>>W.NEighbors[0].ToList（）[1，3]>>>

重力重锤

>>> w=pysal.lib.weights.distance.DistanceBand(points,threshold=11.2,binary=False,alpha=-2.)

警告：有一个断开连接的观测（没有邻居）岛ID:[2]>>>W.weights[0][0.01，0.007999999999998]

属性:	砝码 : 双关语通过观察ID键入的相邻权重 neighbors : 双关语通过观察ID键入的邻居

方法

`asymmetry` \（[固有]）	不对称检查。
`from_adjlist` \（adjlist [，focal u col，…]）	返回权重对象的相邻列表表示形式。
`from_array` \（数组，阈值，**kwargs）	从数组构造一个距离带权重。
`from_dataframe` \（df ，threshold [，geom u col ，ids ]）	从数据框中进行距离带权重。
`from_networkx` \（图表[，权重列]）	将networkx图转换为pysal w对象。
`from_shapefile` \（文件路径，阈值[，idvariable ]）	基于距离带的权重与形状文件
`full` （）	生成完整的numpy数组。
`get_transform` （）	转换属性的getter。
`plot` \（gdf [，indexed on ，ax ，color ，node kws ，…]）	绘制空间权重对象。
`remap_ids` [新的IIDS ]	全程就地修改 W 的ID值来自 w.id_order 到 new_ids 总共
`set_shapefile` \（shapefile [，idvariable ，full ]）	添加用于写入gal和gwt文件头的元数据。
`set_transform` [（值）]	权重转换。
`symmetrize` \（[就地]）	构造对称的knn权重。
`to_WSP` （）	生成一个wsp对象。
`to_adjlist` \（[删除对称，焦点列，…]）	计算权重对象的邻接列表表示。
`to_networkx` （）	将权重对象转换为NetworkX图形

from_WSP
from_file

__init__(data, threshold, p=2, alpha=-1.0, binary=True, ids=None, build_sp=True, silence_warnings=False, distance_metric='euclidean', radius=None)[源代码]¶: 在scipy.space中，对一个bug而言，强制转换为float是一项工作。详见Pysal发行126。

方法

`__init__` \（数据，阈值[，P，alpha，…]）	在scipy.space中，对一个bug而言，强制转换为float是一项工作。
`asymmetry` \（[固有]）	不对称检查。
`from_WSP` \（wsp [，静音警告]）
`from_adjlist` \（adjlist [，focal u col，…]）	返回权重对象的相邻列表表示形式。
`from_array` \（数组，阈值，**kwargs）	从数组构造一个距离带权重。
`from_dataframe` \（df ，threshold [，geom u col ，ids ]）	从数据框中进行距离带权重。
`from_file` \（[路径，格式]）
`from_networkx` \（图表[，权重列]）	将networkx图转换为pysal w对象。
`from_shapefile` \（文件路径，阈值[，idvariable ]）	基于距离带的权重与形状文件
`full` （）	生成完整的numpy数组。
`get_transform` （）	转换属性的getter。
`plot` \（gdf [，indexed on ，ax ，color ，node kws ，…]）	绘制空间权重对象。
`remap_ids` [新的IIDS ]	全程就地修改 W 的ID值来自 w.id_order 到 new_ids 总共
`set_shapefile` \（shapefile [，idvariable ，full ]）	添加用于写入gal和gwt文件头的元数据。
`set_transform` [（值）]	权重转换。
`symmetrize` \（[就地]）	构造对称的knn权重。
`to_WSP` （）	生成一个wsp对象。
`to_adjlist` \（[删除对称，焦点列，…]）	计算权重对象的邻接列表表示。
`to_networkx` （）	将权重对象转换为NetworkX图形

属性

`asymmetries`	具有不对称权重的ID对列表。
`cardinalities`	每个观测点的邻居数。
`component_labels`	存储每个观察结果所在的图表组件。
`diagW2`	对角线 \(WW\) .
`diagWtW`	对角线 \(W^{{'}}W\) .
`diagWtW_WW`	对角线 \(W^{{'}}W + WW\) .
`histogram`	基数柱状图作为字典，其中键是ID，值是该单元的邻居数。
`id2i`	字典，其中键是一个ID，值是按w.id_顺序排列的ID索引。
`id_order`	返回观察值的ID，其顺序与迭代权重时遇到的顺序相同。
`id_order_set`	如果用户设置了id_顺序，则返回true；否则返回false。
`islands`	没有任何邻居的ID列表。
`max_neighbors`	邻居数量最多。
`mean_neighbors`	邻居的平均数目。
`min_neighbors`	最小邻居数。
`n`	单位数。
`n_components`	存储相邻矩阵是否完全连接。
`neighbor_offsets`	给定当前的id_顺序，neighbor_offsets[id]是id_顺序中id的邻居的偏移量。
`nonzero`	非零权重的数目。
`pct_nonzero`	非零权重的百分比。
`s0`	S0定义为
`s1`	S1定义为
`s2`	s2定义为
`s2array`	包含s2的单个元素。
`sd`	相邻数的标准差。
`sparse`	稀疏矩阵对象。
`transform`	转换属性的getter。
`trcW2`	痕迹 \(WW\) .
`trcWtW`	痕迹 \(W^{{'}}W\) .
`trcWtW_WW`	痕迹 \(W^{{'}}W + WW\) .