spherical_kde
0.1.2
تتيح لك هذه الحزم القيام بتقدير كثافة kernel بدائية على كرة. اقتراحات للتحسينات/الامتدادات موضع ترحيب.
المبدأ الأساسي هو استبدال الوظيفة الغوسية التقليدية المستخدمة في تقدير كثافة النواة مع توزيع Von Mises-Fisher.
لا يزال تقدير النطاق الترددي خشنًا وجاهزًا.
استيراد numpyfrom spherical_kde استيراد sphericalkdeimport matplotlib.pyplot كـ pltimport cartopy.crsfrom matplotlib.gridspec استيراد gridspec ، gridspecfromsubpletpec# اختر البذور المحددة. (10 ، 10)) gs_vert = gridspec (3 ، 1) gs_lower = gridspecfromsubplotspec (1 ، 2 ، subplot_spec = gs_vert [1]) fig.add_subplot (gs_vert [0] ، الإسقاط = cartopy.crs.mollweide ()) fig. add_subplot (gs_lower [0] ، projection = cartopy.crs.orthographic ()) fig.add_subplot (gs_lower [1] ، projection = cartopy.crs.orth (-10 ، 45)) fig.add_subplot (gs_vert [2] = cartopy.crs.plateCarree ())# اختر معلمات للعينات samples = 100pi = numpy.pi# قم بإنشاء بعض العينات المتمركزة على (1،1) +/- 0.3 RadianSthet_Samples = numpy.random.normal (loc = 1 ، scale = 0.3. ، size = nsamples) phi_samples = numpy.random.normal (loc = 1 ، scale = 0.3 ، size = nsamples) phi_samples = numpy.mod (phi_samples ، pi*2) kde_green = cerricalkde (phi_samples ، theta_samples) على (-1،1) +/- 0.4 RADIANSTHETA_Samples = numpy.random.normal (loc = 1 ، المقياس = 0.4 ، الحجم = nsamples) phi_samples = numpy.random.normal (loc = -1 ، scale = 0.4 ، size = nsamples) phi_samples = numpy.mod (phi_samples ، pi*2) kde_red = sphericalkde (phi_samples ، theta_samples) size = nsamples) phi_samples = numpy.random.uniform (low = -pi/2 ، high = pi/2 ، size = nsamples) phi_samples = numpy.mod (phi_samples ، pi*2) kde_blue = dhericalkde (phi_samples ، = 0.1) لـ AX في الشكل. الفحوصات: AX.Set_Global () AX.GridLines () AX.Coastlines (linewidth = 0.1) kde_green.plot (ax ، 'g') kde_green.plot_saples (ax) kde_red.plot (ax ، 'r') kde_blue.plot (ax ، 'b')
