sum_x3 = mt.sum_list(data_set_x3) sum_x4 = mt.sum_list(data_set_x4) sum_y = mt.sum_list(data_set_y) sum_x1_y = mt.sum_list1_dot_list2(data_set_x1, data_set_y) sum_x2_y = mt.sum_list1_dot_list2(data_set_x2, data_set_y) sum_x3_y = mt.sum_list1_dot_list2(data_set_x3, data_set_y) sum_x4_y = mt.sum_list1_dot_list2(data_set_x4, data_set_y) sum_x1_x2 = mt.sum_list1_dot_list2(data_set_x1, data_set_x2) sum_x1_x3 = mt.sum_list1_dot_list2(data_set_x1, data_set_x3) sum_x1_x4 = mt.sum_list1_dot_list2(data_set_x1, data_set_x3) sum_x2_x3 = mt.sum_list1_dot_list2(data_set_x2, data_set_x3) sum_x2_x4 = mt.sum_list1_dot_list2(data_set_x2, data_set_x3) sum_x3_x4 = mt.sum_list1_dot_list2(data_set_x2, data_set_x3) var_x1 = mt.variance_list(data_set_x1) var_x2 = mt.variance_list(data_set_x2) var_x3 = mt.variance_list(data_set_x3) var_x4 = mt.variance_list(data_set_x4) var_y = mt.variance_list(data_set_y) cov_x1_y = mt.covariance_list1_list2(data_set_x1, data_set_y) cov_x2_y = mt.covariance_list1_list2(data_set_x2, data_set_y) cov_x3_y = mt.covariance_list1_list2(data_set_x3, data_set_y) cov_x4_y = mt.covariance_list1_list2(data_set_x4, data_set_y) cov_x1_x2 = mt.covariance_list1_list2(data_set_x1, data_set_x2) cov_x1_x3 = mt.covariance_list1_list2(data_set_x1, data_set_x3) cov_x1_x4 = mt.covariance_list1_list2(data_set_x1, data_set_x4) cov_x2_x3 = mt.covariance_list1_list2(data_set_x2, data_set_x3) cov_x2_x4 = mt.covariance_list1_list2(data_set_x2, data_set_x4) cov_x3_x4 = mt.covariance_list1_list2(data_set_x3, data_set_x4)
""" Generate some data, let's imagine that you already have this. """ x = data_set[:, 0] y = data_set[:, 1] """ Plot your data """ plt.plot(x, y, 'ro', label="Original Data") """ brutal force to avoid errors """ x = np.array(x, dtype=float) #transform your data in a numpy array of floats y = np.array(y, dtype=float) #so the curve_fit can work var_x = mt.variance_list(x) mean_x = mt.art_mean(x) list_ln_y = mt.ln_list(y) var_y_prime = mt.variance_list(list_ln_y) ecart_type_y_prime = sqrt(var_y_prime) ecart_type_x = sqrt(var_x) mean_y_prime = mt.art_mean(list_ln_y) cov_x_y_prime = mt.covariance_list1_list2(x, list_ln_y) coef_correl_x_y_prime = cov_x_y_prime / (ecart_type_x * ecart_type_y_prime)
"""
Generate some data, let's imagine that you already have this.
"""
x = data_set[:, 0]
y = data_set[:, 1]
"""
Plot your data
"""
plt.plot(x, y, 'ro', label="Original Data")
"""
brutal force to avoid errors
"""
x = np.array(x, dtype=float) #transform your data in a numpy array of floats
y = np.array(y, dtype=float) #so the curve_fit can work
var_y = mt.variance_list(y)
mean_y = mt.art_mean(y)
ecart_type_y = sqrt(var_y)
list_ln_x = mt.ln_list(x)
var_x_prime = mt.variance_list(list_ln_x)
ecart_type_x_prime = sqrt(var_x_prime)
mean_x_prime = mt.art_mean(list_ln_x)
cov_x_prime_y = mt.covariance_list1_list2(list_ln_x, y)
coef_correl_x_prime_y = cov_x_prime_y / (ecart_type_x_prime * ecart_type_y)
print("\nVariance x' = ", var_x_prime)
print("\nVariance y = ", var_y)
# geo_mean_x = mt.geo_mean(data_set_x) # geo_mean_y = mt.geo_mean(data_set_y) sum_x1_pow_2 = mt.sum_list_square(data_set_x1) sum_y_pow_2 = mt.sum_list_square(data_set_y) sum_x1 = mt.sum_list(data_set_x1) sum_y = mt.sum_list(data_set_y) sum_x1_y = mt.sum_list1_dot_list2(data_set_x1,data_set_y) var_x1 = mt.variance_list(data_set_x1) var_y = mt.variance_list(data_set_y) cov_x1_y = mt.covariance_list1_list2(data_set_x1,data_set_y) # a= cov_x_y/var_x # b = arth_mean_y-a*arth_mean_x # e = mt.get_e(data_set_x,data_set_y,a,b) #recherche des ecart types ecart_x1 = math.sqrt(var_x1) ecart_y= math.sqrt(var_y)