Tag: scipy

Обнаружение областей пузырьков диалога комиксов в изображениях

У меня есть изображение в градациях серого страницы комиксов, в котором есть несколько диалоговых пузырьков (= речевые лучи и т. Д.), Которые заключены в области с белым фоном и сплошными черными границами, которые содержат текст внутри, то есть что-то вроде этого: Я хочу обнаружить эти области и создать маску (двоичный код в порядке), который будет […]

удаление пар элементов из массивов numpy, которые являются NaN (или другое значение) в Python

У меня есть массив с двумя столбцами в numpy. Например: a = array([[1, 5, nan, 6], [10, 6, 6, nan]]) a = transpose(a) Я хочу эффективно перебирать два столбца: [:, 0] и [:, 1] и удалять любые пары, которые удовлетворяют определенному условию, в этом случае, если они являются NaN. Очевидным способом я могу подумать: new_a […]

Как найти всех соседей данной точки в триангуляции delaunay, используя scipy.spatial.Delaunay?

Я искал ответ на этот вопрос, но не могу найти ничего полезного. Я работаю с научным вычислительным стеклом python (scipy, numpy, matplotlib), и у меня есть набор из 2-мерных точек, для которых я вычисляю traingulation Delaunay ( wiki ) с помощью scipy.spatial.Delaunay . Мне нужно написать функцию, которая при любой точке a вернет все остальные […]

пытаясь получить разумные значения от scipy powerlaw

Я пытаюсь подгонять некоторые данные из кода моделирования, который я выполнял, чтобы выяснить зависимость от степенного закона. Когда я рисую линейную подгонку, данные не подходят очень хорошо. Вот скрипт python, который я использую, чтобы соответствовать данным: #!/usr/bin/env python from scipy import optimize import numpy xdata=[ 0.00010851, 0.00021701, 0.00043403, 0.00086806, 0.00173611, 0.00347222] ydata=[ 29.56241016, 29.82245508, 25.33930469, […]

Как определить неопределенность параметров подгонки с помощью Python?

У меня есть следующие данные для x и y: xy 1.71 0.0 1.76 5.0 1.81 10.0 1.86 15.0 1.93 20.0 2.01 25.0 2.09 30.0 2.20 35.0 2.32 40.0 2.47 45.0 2.65 50.0 2.87 55.0 3.16 60.0 3.53 65.0 4.02 70.0 4.69 75.0 5.64 80.0 7.07 85.0 9.35 90.0 13.34 95.0 21.43 100.0 Для приведенных выше […]

Python, Scipy: создание триплетов с использованием большой матрицы смежности

Я использую матрицу смежности для представления сети друзей, которая может быть визуально интерпретирована как Mary 0 1 1 1 Joe 1 0 1 1 Bob 1 1 0 1 Susan 1 1 1 0 Mary Joe Bob Susan Используя эту матрицу, я хочу скомпилировать список всех возможных треугольников дружбы с условием, что пользователь 1 дружит […]

Обратное преобразование Box-Cox

Я использую функцию Boxcox SciPy для выполнения преобразования Box-Cox для непрерывной переменной. from scipy.stats import boxcox import numpy as np y = np.random.random(100) y_box, lambda_ = ss.boxcox(y + 1) # Add 1 to be able to transform 0 values Затем я подгоняю статистическую модель для прогнозирования значений этой измененной переменной Box-Cox. Модельные предсказания находятся в […]

Ошибка кубической сплайновой памяти

На компьютере с 4 ГБ памяти эта простая интерполяция приводит к ошибке памяти: (на основе: http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html ) import numpy as np from scipy.interpolate import interp1d x = np.linspace(0, 10, 80000) y = np.cos(-x**2/8.0) f2 = interp1d(x, y, kind='cubic') Я думал о том, чтобы разрезать данные на куски, но есть ли способ выполнить эту кубическую сплайн-интерполяцию, […]

scipy.optimize.curvefit () – массив не должен содержать infs или NaNs

Я пытаюсь подгонять некоторые данные к кривой в Python, используя scipy.optimize.curve_fit . Я запускаю ошибку ValueError: array must not contain infs or NaNs . Я не считаю, что мои данные x или y содержат inf или NaNs: >>> x_array = np.asarray_chkfinite(x_array) >>> y_array = np.asarray_chkfinite(y_array) >>> Чтобы дать некоторое представление о том, как x_array мои […]

Альтернатива для модели пространства состояний экспоненциального сглаживания r в python / scikit / numpy

В R мы имеем одну хорошую модель прогнозирования, такую ​​как: ets(y, model="ZZZ", damped=NULL, alpha=NULL, beta=NULL, gamma=NULL, phi=NULL, additive.only=FALSE, lambda=NULL, lower=c(rep(0.0001,3), 0.8), upper=c(rep(0.9999,3),0.98), opt.crit=c("lik","amse","mse","sigma","mae"), nmse=3, bounds=c("both","usual","admissible"), ic=c("aicc","aic","bic"), restrict=TRUE, allow.multiplicative.trend=FALSE, use.initial.values=FALSE, …) В этом методе, если мы назначаем какую-либо переменную, она автоматически получает тип сезона, тип тренда и типа ошибки, например model="ZZZ"/"AMA"/"MMZ" а некоторые из коэффициентов автоматически […]

Python - лучший язык программирования в мире.