归一化双变量概率密度函数 - python

Question

我的目标是对下面表示的概率密度函数进行归一化 Norm1。当我将方程直接导入 ax.contour 时有效，但在外部调用方程时无效。

尝试将 Norm1 传递到 ax.contour 时，出现以下错误：

    raise TypeError(f"Input z must be 2D, not {z.ndim}D")

TypeError: Input z must be 2D, not 3D

对于上下文，我有两个单独的组，其中包含各种 XY 点。每个 XY 点都有一个标记为 id 的标识符。我为每个独特的点分配一个圆或半径。我想从每个组中减去 PDF。输出是 0 到 1 之间的标准化 PDF，其中 >0.5 由 A 组控制，<0.5 由 B 组控制。

df = pd.DataFrame({'Int_1': [1.0, 2.0, 1.0, 3.0, 1.0, 2.0, 3.0, 2.0], 

           'Int_2': [1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0],
           'Item_X': [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0],
           'Item_Y': [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0],               
           'Period': [1, 1, 1, 1, 2, 2, 2, 2],
           'Group': ['A', 'B', 'A', 'B', 'A', 'B', 'A', 'B'],
           'Item': ['Y', 'Y', 'A', 'B', 'A', 'B', 'A', 'B'],
           'id': ['1', '2', '3', '4', '1', '2', '3', '4']})

Group_A = [df[df['Group'] == 'A'][['Int_1','Int_2']].to_numpy()]
Group_B = [df[df['Group'] == 'B'][['Int_1','Int_2']].to_numpy()]
Item = [df[['Item_X','Item_Y']].to_numpy()]

period = df['Period'].drop_duplicates().reset_index(drop = True)


def impact_func(member_no, location, time_index, group):

  if group == 'A':
    data = Group_A.copy()

  elif group == 'B':
    data = Group_B.copy()

  else:

    return

  if np.all(np.isfinite(data[member_no][[time_index,time_index + 1],:])) & np.all(np.isfinite(Item[0][time_index,:])):

    sxy = (data[member_no][time_index + 1,:] - data[member_no][time_index,:]) / (period[time_index + 1] - period[time_index])

    mu = data[member_no][time_index,:] + sxy * 0.5

    out = mvn.pdf(location,mu) / mvn.pdf(data[member_no][time_index,:],mu)

  else:
    out = np.zeros(location.shape[0])

  return out

xx,yy = np.meshgrid(np.linspace(-10,10,200),np.linspace(-10,10,200))
Z_GA = np.zeros(40000)
Z_GB = np.zeros(40000)

for k in range(1):
  Z_GA += impact_func(k,np.c_[xx.flatten(),yy.flatten()],0,'A')
  Z_GB += impact_func(k,np.c_[xx.flatten(),yy.flatten()],0,'B')

fig, ax = plt.subplots(figsize=(8,8))
ax.set_xlim(-10,10)
ax.set_ylim(-10,10)

Z_GA = Z_GA.reshape((200,200))
Z_GB = Z_GB.reshape((200,200))

Norm1 = xx,yy, 1 / (1 + np.exp(Z_GB - Z_GA))
Norm2 = Z_GA / (Z_GA + Z_GB)

#cfs = ax.contourf(Norm1, cmap = 'magma')
cfs = ax.contourf(xx,yy, 1 / (1 + np.exp(Z_GB - Z_GA)), cmap = 'magma')

fig.colorbar(cfs, ax = ax)

Answer 1

解决方案

您只想解压 Norm1:

cfs = ax.contourf(*Norm1, cmap = 'magma')

结果：

快速解释：

Norm1 是 3 个数组的元组。 contourf 需要一到三个值 [X, Y, Z]，其中 Z 包含每个点的高度。

如果您按原样传递 Norm1，contourf 将假定它只是 Z 参数，这将在内部被解释为 3D ndarray。

使用 * 解压后，您将明确地将 Nomr1 的三个组件作为三个不同的参数传递，即 X, Y and Z.

归一化双变量概率密度函数 - python

Normalise bivariate probability density function - python

python

pandas

spatial

gaussian

probability-density

解决方案

快速解释：