1、関連するAPI
(1)、ほとんどの値
DEF FUNC(データ):
パス
#FUNCハンドラ
#軸の軸[0,1]
#の配列アレイ
np.apply_along_axis(FUNC、軸、アレイ)
(3)、コンボリューション
= Cのnumpy.convolve(A、B、畳み込み型)
A = [1、2 ,. 3 ,. 4 ,. 5 ]オリジナル配列
B = 8 ,. 7 ,. 6 ]畳み込みカーネル・アレイ
の畳み込みカーネルBとして用い、次のようにアレイの畳み込み演算を行う処理:
446586 有効なコンボリューション(有効)
23 446586 59である 三次元コンボリューション(同じ)と
8 59 446 586 30 23である。 完全な畳み込み(フル)
0 0 1 2 4 3。 5 0 0
6 7 8
6 7 8
6 7 8
6 7 8
6 7 8
6 7 8
6 7 8
(4)最小二乗法に沿って最小のエラーフィッティング係数を算出する(唯一の解決策が必要とするが、最小誤差解を必要としません)
= Xのnp.linalg.lstsq(A、B)[0]
#のA、Bは、サンプル値であります
(5)、算術平均や重み付け平均を、
算術平均:
np.mean(アレイ)
又は()array.mean
加重平均:
np.average(closing_prices、ボリューム重み=)
注:算術平均を加重平均が等しく重み付けを理解されたいです。
(6)その他
中央:中央値、貧しい:PTP。
numpy.corrcoef(A、B) #1 検索相関行列
numpy.cov(A、B) #共分散マトリックス
3、多項式フィッティング関連API
サンプルデータ曲線フィット座標[X、Y得ることができる、フィット係数および変数から得られた近似値「]
- > Y np.polyval(P、X-)」
に応じた係数を適合、多項式導出関数を多項式関数の係数の誘導体得る
np.polyderを(P) - > Q
多項式の根の既知の多項式係数をQ(x軸及び横軸の交点)を求める
XS = np.roots(Q)
との差二多項式関数関数の係数(二つの曲線の交点がルート差関数を介して確認することができる)
Q = np.polysub(PL、P2)
図4に示すように、データの平滑化
平滑化処理は、一般的にノイズデータフィッティングおよび他の操作を含みます。ノイズ低減のために意図された数学的モデルに適合するように意図され、追加の要因を除去備え、数学的方法は、より多くの特性を識別することができます。