mindspore.numpy.cov

mindspore.numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None, dtype=None)[源代码]

给定数据和权重，估算一个协方差矩阵。

协方差表示两个变量共同变化的程度。如果以N维样本为例， \(X = [x_1, x_2, .. x_N]^T\) ，则协方差矩阵元素 \(C_{ij}\) 是 \(x_i\) 和 \(x_j\) 的协方差。元素 \(C_{ii}\) 是 \(x_i\) 的方差。

说明

fweights 和 aweights 必须都为正，在NumPy中，如果检测到负值，将引发ValueError。在MindSpore中，所有值将转化为正值。

参数：

m (Union[Tensor, list, tuple]) - 一个1-D或2-D的Tensor，包含多个变量和观测值。 m 的每一行代表一个变量，每一列代表所有变量的某一观测值。另请见下述 rowvar 。
y (Union[Tensor, list, tuple], 可选) - 一个附加的变量和观测值的集合。 y 的形式与 m 相同，默认值： None。
rowvar (bool, 可选) - 如果 rowvar 为 True (默认值)，则每行代表一个变量，每列代表一个观测值。否则，关系被转置：每列代表一个变量，每行代表一个观测值。
bias (bool, 可选) - 默认的归一化( False )是通过 \(N - 1\) 计算的，其中 \(N\) 是观测值的数量。如果 bias 为 True ，则归一化通过 \(N\) 计算。这些值可通过关键词 ddof 被覆盖。
ddof (int, 可选) - 如果不为 None，由 bias 设定的默认值将被覆盖。请注意，即使指定了 fweights 和 aweights， \(ddof = 1\) 也将返回无偏估计， \(ddof = 0\) 将返回简单平均值。默认值： None 。
fweights (Union[Tensor, list, tuple], 可选) - 一个1-D的整数频率权重Tensor。表示每个观测向量应该重复的次数。默认值： None 。
aweights (Union[Tensor, list, tuple], 可选) - 一个1-D的观测向量权重Tensor。被认为更重要的观测值的权重相对较大，被认为不那么重要的观测值的权重相对较小。如果 \(ddof = 0\) ，权重Tensor可用于给观测向量分配概率。默认值： None。
dtype (Union[mindspore.dtype, str], 可选) - 结果的数据类型。默认情况下，返回的数据类型将具有mstype.float32精度。默认值： None 。

返回：

Tensor，变量的协方差矩阵。

异常：

TypeError - 如果输入的类型不是上述指定类型。
ValueError - 如果 m 和 y 的维数错误。
RuntimeError - 如果 aweights 和 fweights 的维数大于2。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore.numpy as np
>>> output = np.cov([[2., 3., 4., 5.], [0., 2., 3., 4.], [7., 8., 9., 10.]])
>>> print(output)
[[1.6666666 2.1666667 1.6666666]
[2.1666667 2.9166667 2.1666667]
[1.6666666 2.1666667 1.6666666]]