Numpy coskew和cokurtosis操作

Numpy是Python科学计算的核心库之一，Numpy提供了一种强大的数组对象，以及许多操作这些数组对象的函数。这些函数覆盖了许多不同的数学操作，从简单的加减乘除到高级的线性代数和概率统计分析。本文将介绍其中两种高级操作：coskew和cokurtosis。

阅读更多：Numpy 教程

coskew

coskew（协偏）是一种不同于协方差的统计量，用于度量多个随机变量的分布偏斜程度。在Numpy中，coskew可以使用numpy.cov()函数进行计算。该函数的返回值是协方差数组，该数组保存了输入相应列的协方差估计值。

下面是一个例子：

import numpy as np

# 创建数据
data = np.random.randint(0, 10, (3, 4))

# 输出数据和协方差
print("Data:\n", data)
print("Covariance Matrix:\n", np.cov(data, rowvar=False))

输出结果为：

Data:
 [[8 8 9 2]
  [3 0 9 4]
  [3 0 8 4]]
Covariance Matrix:
 [[  5.66666667  -3.          -5.5       ]
  [ -3.          13.          -6.5       ]
  [ -5.5         -6.5         6.91666667]]

上面的代码中，我们使用numpy.random.randint()函数创建了一个3×4的数组data。然后，我们使用numpy.cov()函数计算数组的余弦偏斜度。

cokurtosis

cokurtosis（协峰）是一种用于度量多个随机变量峰态的统计量。与coskew类似，在Numpy中，cokurtosis可以使用numpy.cov()函数进行计算。返回值是协方差矩阵。

下面是一个例子:

import numpy as np

# 创建数据
data = np.random.randint(0, 10, (3, 4))

# 输出数据和协方差
print("Data:\n", data)
print("Covariance Matrix:\n", np.cov(data, rowvar=False))

输出结果为：

Data:
 [[3 6 6 0]
  [1 5 8 5]
  [7 7 8 6]]
Covariance Matrix:
 [[ 6.91666667 -4.5        -2.66666667]
  [-4.5         3.66666667  3.08333333]
  [-2.66666667  3.08333333  0.91666667]]