【深度学习|地学应用】基于python的共线性检验：计算各个因子的方差膨胀因子（Variance Inflation Factor，VIF）以及容差（Tolerance，TOL）列出表格并导出。-CSDN博客

本文链接：https://blog.csdn.net/gaoxiaoxiao1209/article/details/148106374

【深度学习|地学应用】基于python的共线性检验：计算各个因子的方差膨胀因子（Variance Inflation Factor，VIF）以及容差（Tolerance，TOL）列出表格并导出。

文章目录

【深度学习|地学应用】基于python的共线性检验：计算各个因子的方差膨胀因子（Variance Inflation Factor，VIF）以及容差（Tolerance，TOL）列出表格并导出。
前言
- 代码示例
- 代码说明

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://fighting.blog.csdn.net/article/details/147526690

前言

下面的 Python 示例演示如何：

读取多波段影像（multiband.tif）和二值标签（label.tif），
将它们拼合到同一个 DataFrame 中，每一列为一个因子（各波段和标签），每一行对应一个像素，
计算每个因子的方差膨胀因子（VIF）与容差（Tolerance），
将结果保存为 CSV 表格。

代码示例

import os
import numpy as np
import pandas as pd
import rasterio
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 输入路径
multiband_path = 'multiband.tif'
label_path     = 'label.tif'
out_csv        = 'vif_tolerance.csv'

# 1. 读取多波段影像
with rasterio.open(multiband_path) as src:
    data = src.read().astype(np.float32)  # shape = (bands, h, w)
    bands, h, w = data.shape
    band_names = [f'B{i}' for i in range(1, bands+1)]

# 2. 读取标签
with rasterio.open(label_path) as src:
    label = src.read(1).astype(np.int32)  # 二值标签

# 3. 构建 DataFrame：每个像素为一行，各波段 + label 为列
#    首先将多波段和标签都拉平
flat_dict = {name: data[i].ravel() for i, name in enumerate(band_names)}
flat_dict['label'] = label.ravel()
df = pd.DataFrame(flat_dict)

# （可选）如果想只对标签为1的像素计算，则：
# df = df[df['label'] == 1].reset_index(drop=True)

# 4. 计算 VIF 与容差
#    容差 TOL = 1 / VIF
vif_data = []
X = df.values
cols = df.columns
for i, col in enumerate(cols):
    vif = variance_inflation_factor(X, i)
    tol = 1.0 / vif if vif != 0 else np.nan
    vif_data.append({'factor': col, 'VIF': vif, 'Tolerance': tol})

vif_df = pd.DataFrame(vif_data)

# 5. 导出到 CSV
vif_df.to_csv(out_csv, index=False, float_format='%.4f')
print(f'VIF and Tolerance saved to {out_csv}')