两个2D数组之间的相关性(默认“有效”情况):
您可以np.dot像这样简单地使用矩阵乘法-out = np.dot(arr_one,arr_two.T)
与"valid"两个输入数组的每个成对行组合(row1,row2)之间的默认情况的相关性将对应于每个(row1,row2)位置处的乘法结果。
两个2D阵列的行方向相关系数计算:def corr2_coeff(A,B):
# Rowwise mean of input arrays & subtract from input arrays themeselves
A_mA = A - A.mean(1)[:,None]
B_mB = B - B.mean(1)[:,None]
# Sum of squares across rows
ssA = (A_mA**2).sum(1);
ssB = (B_mB**2).sum(1);
# Finally get corr coeff
return np.dot(A_mA,B_mB.T)/np.sqrt(np.dot(ssA[:,None],ssB[None]))
标杆
本节将运行时性能与针对其他答案中列出的基于generate_correlation_map循环pearsonr的方法的建议方法进行比较。(取自函数test_generate_correlation_map()末尾没有值正确性验证码的函数)。请注意,建议方法的时间还包括在开始时检查两个输入数组中是否有相同数量的列,这也是在另一个答案中完成的。下面列出了运行时。
情况1:In [106]: A = np.random.rand(1000,100)In [107]: B = np.random.rand(1000,100)