文件名称：ennemi:相互信息的简单最近邻估计
文件大小：979KB
文件格式：ZIP
更新时间：2024-05-24 09:27:06
python entropy information-theory scientific-computing mutual-information
内米 （相互信息的最近邻估计） 这个Python 3套件提供了简单的方法来估计连续变量的相互信息。 通过一个方法调用，您可以一次估算多个变量对和时滞。 同时支持无条件和有条件的MI（包括多元条件）。 该接口针对非线性相关性分析。 程序包使用以下描述的最近邻居方法： Kraskov等。 （2004）：估计相互信息。 物理评论 。 Frenzel＆Pompe（2007）：用于多元时间序列耦合分析的部分互信息。 物理评论快报 。 Ross（2014）：离散数据集和连续数据集之间的相互信息。 PLoS ONE 9. 。 GitHub上的最新源代码可能不如PyPI上的发布版本稳定。 您可以在“上看到计划添加的路线图。 另请参阅。 您还可以通过单击GitHub页面上的Watch releases来跟踪开发情况。 入门 该软件包需要Python 3.7或更高版本，并且经过测试可在最新版本的
【文件预览】：
ennemi-master
----setup.py(2KB)
----.gitignore(2KB)
----sonar-project.properties(201B)
----LICENSE.md(1KB)
----CONTRIBUTING.md(6KB)
----.github()
--------workflows()
----ennemi()
--------_driver.py(27KB)
--------__init__.py(343B)
--------_entropy_estimators.py(9KB)
--------py.typed(0B)
----README.md(5KB)
----DESCRIPTION.md(1KB)
----tests()
--------integration()
--------unit()
--------pandas()
----pytest.ini(30B)
----benchmarks()
--------bench_mutual_information.py(1KB)
--------bench_pairwise_mi.py(892B)
--------bench_digamma.py(705B)
--------bench_entropy.py(1KB)
--------plot_mi_performance.py(2KB)
--------bench_large_sample_mi.py(861B)
----docs()
--------casestudy_pairwise_doy.png(26KB)
--------casestudy_lags_avg.png(54KB)
--------kaisaniemi.csv(2.19MB)
--------index.md(2KB)
--------kaisaniemi_casestudy.py(4KB)
--------api-reference.md(10KB)
--------snippets.md(2KB)
--------casestudy_lags.png(63KB)
--------kaisaniemi.md(10KB)
--------assets()
--------example_mi_plot.png(40KB)
--------example_cmi_plot.png(27KB)
--------example_scatter_plot.png(16KB)
--------tutorial.md(13KB)
--------_config.yml(110B)
--------mi_example.csv(30KB)
--------support.md(3KB)
--------autocorrelation_kde.png(28KB)
--------casestudy_pairwise.png(25KB)
--------example_mask_plot.png(36KB)
--------what-is-entropy.md(9KB)
--------_layouts()
--------potential-issues.md(9KB)
----mypy.ini(760B)