pysal.viz.mapclassify.
Natural_Breaks
(y, k=5, initial=100)[源代码]¶自然断裂图分类
参数: |
|
---|
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: |
|
---|
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[,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。 |