python经典应用库_哪些 Python 库让你相见恨晚？

推荐一下copent包。

该包实现了一种非参数的Copula熵(Copula Entropy)估计方法，可解决多个机器学习和统计学基础性问题，应该会让你相见恨晚了。

此包在PyPI上的网址是：copent​pypi.org

相关性分析

Pearson相关系数是一种统计学史上重要的相关性度量概念，虽然应用广泛，但却具有线性和高斯性等局限性。 Copula熵则是一种更高级的相关性度量，它没有线性和高斯性的假设，是一个多变量的相关性度量。如下论文将二者进行了对比，并利用著名的NHANES医学体检数据证实了copula熵的显著优越性。

Ma, Jian. “Discovering Association with Copula Entropy.” arXiv preprint arXiv:1907.12268 (2019).Discovering Association with Copula Entropy​arxiv.org

特征(变量)选择

特征选择推荐使用Copula熵方法，研究表明其优于目前所有主流方法。以下论文将此方法与如下经典变量选择方法在UCI heart disease data上进行了对比LASSO

Adaptive LASSO

Ridge Regression

Elastic Net

AIC

BIC

Distance Correlation

Hilbert-Schmidt Independence Criterion (HSIC)

证明了copula熵方法在预测能力和可解释性能两方面的优越性。

Ma, Jian. “Variable Selection with Copula Entropy.” Chinese Journal of Applied Probability and Statistics (accepted). See also arXiv preprint arXiv:1910.12389 (2019).Variable Selection with Copula Entropy​arxiv.org

时序因果发现

传递熵是度量时序之间因果关系的概念，它可被认为是格兰杰因果检验的非线性版本。以下论文基于copula熵估计给出了传递熵估计的非参数方法，并利用这个方法研究了气象因素和PM2.5之间的因果关系。

Ma, Jian. “Estimating Transfer Entropy via Copula Entropy.” arXiv preprint arXiv:1910.04375 (2019).Estimating Transfer Entropy via Copula Entropy​arxiv.org

论文的Python代码见：https://github.com/majianthu/transferentropy​github.com