pysal.viz.mapclassify.
Box_Plot
(y, hinge=1.5)[源代码]¶方框图分类
参数: |
|
---|
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: |
|
---|
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。 |
方法
__init__ \(Y [,铰链]) |
|
||
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。 |