scipy.odr.RealData¶
- class scipy.odr.RealData(x, y=None, sx=None, sy=None, covx=None, covy=None, fix=None, meta={})[源代码]¶
数据，加权为实际标准差和/或协方差。
- 参数
- xarray_like
回归自变量的观测数据
- yARRAY_LIKE，可选
如果为数组状，观测数据为因变量的回归。标量输入意味着要在数据上使用的模型是隐式的。
- sxARRAY_LIKE，可选
的标准偏差 x 。 sx 的标准差是 x 并且通过将1.0除以它们的平方来转换为权重。
- syARRAY_LIKE，可选
的标准偏差 y 。 sy 的标准差是 y 并且通过将1.0除以它们的平方来转换为权重。
- covxARRAY_LIKE，可选
的协方差 x covx 的协方差矩阵数组。 x 并且通过对每个观测的协方差矩阵执行矩阵求逆来转换为权重。
- covyARRAY_LIKE，可选
的协方差 y covy 是协方差矩阵数组，并通过对每个观测的协方差矩阵执行矩阵求逆来转换为权重。
- fixARRAY_LIKE，可选
参数和成员fix与Data.fix和ODR.ifixx相同：它是具有与相同形状的整数数组 x 这决定了哪些输入观测被视为固定的。可以使用长度为m的序列(输入观测的维度)来确定所有观测的某些维度。值为0表示固定观测，值>0表示自由。
- metaDICT，可选
元数据的自由格式词典。
注意事项
重量 wd 和 we 根据提供的值计算，如下所示：
sx 和 sy 通过将1.0除以其平方转换为权重。例如,
wd = 1./numpy.power(`sx`, 2)。covx 和 covy 是协方差矩阵的数组，并通过对每个观测的协方差矩阵执行矩阵求逆来转换为权重。例如,
we[i] = numpy.linalg.inv(covy[i])。这些论点遵循与wd相同的结构化论证惯例，我们仅受其性质的限制： sx 和 sy 不能排在第三位，但是 covx 和 covy 有可能。
仅设置 或者 sx 或 covx (不是两者都有)。同时设置两者将引发异常。与之相同 sy 和 covy 。
方法：
使用关键字和关键字提供的数据更新元数据字典。