def __init__(self, rv, pdf, w=None, bbox=[None, None], k=1):
"""Constructor.
"""
self.__rv = rv
self.__pdf = pdf
InterpolatedUnivariateSpline.__init__(self, rv, pdf, w, bbox, k)
self.ppf = self.build_ppf()
def __init__(self, x, y):
"""Constructor.
"""
InterpolatedUnivariateSpline.__init__(self, x, y)
ycdf = [self.integral(0, xcdf) for xcdf in x]
self.cdf = InterpolatedUnivariateSpline(x, ycdf)
self.ppf = InterpolatedUnivariateSpline(ycdf, x)
def __init__(self, x, y, k=3):
"""Constructor.
"""
InterpolatedUnivariateSpline.__init__(self, x, y, None, [None]*2, k)
ycdf = np.array([self.integral(x[0], xcdf) for xcdf in x])
self.cdf = InterpolatedUnivariateSpline(x, ycdf)
mask=diff(ycdf) > 0.0
mask=np.append(mask,False)
#print(mask)
#print(ycdf[mask])
self.ppf = InterpolatedUnivariateSpline(ycdf[mask], x[mask])
def __init__(self, x, y):
# Richiamo il costruttore della classe madre
InterpolatedUnivariateSpline.__init__(self, x, y)
#Definisco la cdf (funzione cumulativa)
y_cdf = np.array([self.integral(x[0], x_cdf) for x_cdf in x])
self.cdf = InterpolatedUnivariateSpline(x, y_cdf)
# Defiisco la ppf (percent-point function)
x_ppf, i_ppf = np.unique(y_cdf,
return_index=True) # se pdf non è monotona
y_ppf = x[i_ppf]
self.ppf = InterpolatedUnivariateSpline(x_ppf, y_ppf)
def __init__(self, x, y, kind, bounds_error=False, fill_value=numpy.nan, copy=True):
if copy:
self.x = x.copy()
self.y = y.copy()
else:
self.x = x
self.y = y
InterpolatedUnivariateSpline.__init__(self, self.x, self.y, k=kind)
self.xmin = self.x[0]
self.xmax = self.x[-1]
self.fill_value = fill_value
self.bounds_error = bounds_error
def __init__(self, x, y):
"""Constructor.
"""
InterpolatedUnivariateSpline.__init__(self, x, y)
ycdf = np.array([self.integral(x[0], xcdf) for xcdf in x])
self.cdf = InterpolatedUnivariateSpline(x, ycdf)
# Need to make sure that the vector I am passing to the ppf spline as
# the x values has no duplicates---and need to filter the y
# accordingly.
xppf, ippf = np.unique(ycdf, return_index=True)
yppf = x[ippf]
self.ppf = InterpolatedUnivariateSpline(xppf, yppf)
def __init__(self, x, y, kind, bounds_error=False, fill_value=numpy.nan, copy=True):
if copy:
self.x = x.copy()
self.y = y.copy()
else:
self.x = x
self.y = y
InterpolatedUnivariateSpline.__init__(self, self.x, self.y, k=kind)
self.xmin = self.x[0]
self.xmax = self.x[-1]
self.fill_value = fill_value
self.bounds_error = bounds_error
def __init__(self,
x,
y,
w=None,
bbox=[None, None],
k=3,
xname=None,
xunits=None,
yname=None,
yunits=None):
"""Constructor.
"""
xUnivariateSplineBase.__init__(self, x, y, xname, xunits, yname,
yunits)
InterpolatedUnivariateSpline.__init__(self, self.x, self.y, w, bbox, k)
def __init__(self, x, y):
"""Constructor.
"""
InterpolatedUnivariateSpline.__init__(self, x, y)
ycdf = np.array([self.integral(x[0], xcdf) for xcdf in x])
self.cdf = InterpolatedUnivariateSpline(x, ycdf)
# a=np.unique(ycdf)
# print(ycdf.shape, a.shape)
"""Se ycdf non avesse valori identici, la lumghezza di a sara' uguale alla lunghezza di ycdf. Invece vedo che hanno una lunghezza diversa. Posso scrivere np.diff(ycdf) per stampare le differenze relative tra gli elementi contigui dell'array, e se lo stampo vedo che tutti gli ultimi elementi di ycdf sno uguali perche' li' la gaussiana e' piccola e sono tutti cosi vicini da essere uguali.
Ora non posso banalmente sotituire a ad ycdf perche' x e a avrebbero lunghezza divera, devo fare in modo che abbiano lunghezze uguali.
"""
#Need to make sure that the vector I am passing to the ppf spline as the
# x values has no duplicates --- and need to filter the y accordingly
""" In questo modo io creao un array _x senza valori doppi, np.unique mi ritorna il vettore senza valori doppi e un array di indici che mi dice i valori che non sono stati eliminati _i. in questo modo io posso usare gli indici _i per filtrare i valori di y eliminando i valori corrispondenti a queeli che np.unique ha tolto da ycdf.
"""
_x, _i = np.unique(ycdf, return_index=True)
_y = x[_i]
self.ppf = InterpolatedUnivariateSpline(_x, _y)
def __init__(
self, # Spline_eos instance
P, # Pressure function (usually the nominal eos)
N=magic.spline_N,
v_min=magic.spline_min,
v_max=magic.spline_max,
uncertainty=magic.spline_uncertainty,
precondition=False,
comment='',
):
v = np.logspace(np.log10(v_min), np.log10(v_max), N)
IU_Spline.__init__(self,v,P(v))
self.prior_mean = self.get_c().copy()
dev = self.prior_mean*uncertainty
self.prior_var_inv = np.diag(1.0/(dev*dev))
self.precondition = precondition
if precondition:
self.U_inv = np.diag(dev)
return
def __init__(self, x, y, w=None, bbox=[None, None], k=3,
xname=None, xunits=None, yname=None, yunits=None):
"""Constructor.
"""
xUnivariateSplineBase.__init__(self, x, y, xname, xunits, yname, yunits)
InterpolatedUnivariateSpline.__init__(self, self.x, self.y, w, bbox, k)
def __init__(self, x, y, comment=''):
IU_Spline.__init__(self, x, y)
Component.__init__(self, self.get_c(), comment)
def __init__(self, x, y):
InterpolatedUnivariateSpline.__init__(self, x, y)