Je veux calculer la covariance C
de n
mesures de p
quantités, où chaque mesure de quantité individuelle est donné son propre poids. C'est-à-dire, mon tableau de poids W
a la même forme que mon tableau de quantité Q
(n
par p
). La fonction native np.cov()
ne prend en charge que les poids donnés à des mesures individuelles (c'est-à-dire, un vecteur de longueur n
).matrice de covariance pondérée en numpy
Je peux initialiser une matrice p
par p
et la parcourir, mais si p
est grande, alors c'est un processus très lent.
Depuis Q
est connu pour avoir une moyenne nulle pour chaque quantité (colonne de Q
), la formule explicite pour chaque élément de C
est
C[i,j] = np.sum(
Q[:, i] * Q[:, j] * W[:, i] * W[:, j])/np.sum(W[:, i] * W[:, j])
Si je réarrange le numérateur être Q[:, i] * W[:, i] * Q[:, j] * W[:, j]
, il semble que je devrait être capable de multiplier et de sommer les colonnes de Q * W
, puis de faire le dénominateur de la même manière (sauf en utilisant W * W
).
Y a-t-il un moyen de le faire avec np.einsum()
?
Pour les tests, nous allons définir les éléments suivants:
C = array([[ 1. , 0.1 , 0.2 ], # set this beforehand, to test whether
[ 0.1 , 0.5 , 0.15], # we get the correct result
[ 0.2 , 0.15, 0.75]])
Q = array([[-0.6084634 , 0.16656143, -1.04490324],
[-1.51164337, -0.96403094, -2.37051952],
[-0.32781346, -0.19616374, -1.32591578],
[-0.88371729, 0.20877833, -0.52074272],
[-0.67987913, -0.84458226, 0.02897935],
[-2.01924756, -0.51877396, -0.68483981],
[ 1.64600477, 0.67620595, 1.24559591],
[ 0.82554885, 0.14884613, -0.15211434],
[-0.88119527, 0.11663335, -0.31522598],
[-0.14830668, 1.26906561, -0.49686309]])
W = array([[ 1.01133857, 0.91962164, 1.01897898],
[ 1.09467975, 0.91191381, 0.90150961],
[ 0.96334661, 1.00759046, 1.01638749],
[ 1.04827001, 0.95861001, 1.01248969],
[ 0.91572506, 1.09388218, 1.03616461],
[ 0.9418178 , 1.07210878, 0.90431879],
[ 1.0093642 , 1.00408472, 1.07570172],
[ 0.92203074, 1.00022631, 1.09705542],
[ 0.99775598, 0.01000000, 0.94996408],
[ 1.02996389, 1.01224303, 1.00331465]])
Vous avez raison, ces horloges dans un facteur de ~ 3 plus rapide que ma méthode pour 100x10 tableaux, et ce facteur se développe avec la taille de «Q» et «W». – DathosPachy