معرفی شرکت ها
bigsimr-0.1.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Simulate high-dimensional multivariate data with arbitrary marginal distributions
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | bigsimr-0.1.0 |
| نام | bigsimr |
| نسخه کتابخانه | 0.1.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Alex Knudson |
| ایمیل نویسنده | aknudson@nevada.unr.edu |
| آدرس صفحه اصلی | https://github.com/SchisslerGroup/python-bigsimr |
| آدرس اینترنتی | https://pypi.org/project/bigsimr/ |
| مجوز | - |
# bigsimr
`bigsimr` is a Python3 package for simulating high-dimensional multivariate data with a target correlation and arbitrary marginal distributions via Gaussian copula. It utilizes [Bigsimr.jl](https://github.com/adknudson/Bigsimr.jl) for its core routines. For full documentation and examples, please see the [Bigsimr.jl docs](https://adknudson.github.io/Bigsimr.jl/stable/).
## Features
* **Pearson matching** - employs a matching algorithm (Xiao and Zhou 2019) to account for the non-linear transformation in the Normal-to-Anything (NORTA) step
* **Spearman and Kendall matching** - Use explicit transformations (Lebrun and Dutfoy 2009)
* **Nearest Correlation Matrix** - Calculate the nearest positive [semi]definite correlation matrix (Qi and Sun 2006)
* **Fast Approximate Correlation Matrix** - Calculate an approximation to the nearest positive definite correlation matrix
* **Random Correlation Matrix** - Generate random positive [semi]definite correlation matrices
* **Fast Multivariate Normal Generation** - Utilize multithreading to generate multivariate normal samples in parallel
## Installation and Setup
Install the `bigsimr` package from pip using
```
pip install git+https://github.com/SchisslerGroup/python-bigsimr.git
```
Or install the development version with
```
pip install git+https://github.com/SchisslerGroup/python-bigsimr.git@dev
```
`bigsimr` relies on the Julia language to execute code through the python `julia` package. Julia can be obtained from [julialang.org](https://julialang.org/downloads/), or it can be detected/installed automatically using the setup function provided by `bigsimr`. The `setup()` function will also install the required Julia packages for bigsimr.
```python
from bigsimr import setup
setup(compiled_modules=False)
```
**Note.** The `compiled_modules=False` argument is necessary for those using Python from a conda environment. There is a known bug where setup fails if `compiled_modules` is set to `True` (the default for the `julia` package).
## Using
```python
from julia.api import Julia
jl = Julia(compiled_modules=False) # conda users -> set to False
from julia import Bigsimr as bs
from julia import Distributions as dist
import numpy as np
```
### Examples
Pearson mathcing
```python
target_corr = bs.cor_randPD(3)
margins = [dist.Binomial(20, 0.2), dist.Beta(2, 3), dist.LogNormal(3, 1)]
adjusted_corr = bs.pearson_match(target_corr, margins)
x = bs.rvec(100_000, adjusted_corr, margins)
bs.cor(x, bs.Pearson)
```
Spearman/Kendall matching
```python
spearman_corr = bs.cor_randPD(3)
adjusted_corr = bs.cor_convert(spearman_corr, bs.Spearman, bs.Pearson)
x = bs.rvec(100_000, adjusted_corr, margins)
bs.cor(x, bs.Spearman)
```
Nearest correlation matrix
```python
from julia.LinearAlgebra import isposdef
s = bs.cor_randPSD(200)
r = bs.cor_convert(s, bs.Spearman, bs.Pearson)
isposdef(r)
p = bs.cor_nearPD(r)
isposdef(p)
```
Fast approximate nearest correlation matrix
```python
s = bs.cor_randPSD(2000)
r = bs.cor_convert(s, bs.Spearman, bs.Pearson)
isposdef(r)
p = bs.cor_fastPD(r)
isposdef(p)
```
# References
* Xiao, Q., & Zhou, S. (2019). Matching a correlation coefficient by a Gaussian copula. Communications in Statistics-Theory and Methods, 48(7), 1728-1747.
* Lebrun, R., & Dutfoy, A. (2009). An innovating analysis of the Nataf transformation from the copula viewpoint. Probabilistic Engineering Mechanics, 24(3), 312-320.
* Qi, H., & Sun, D. (2006). A quadratically convergent Newton method for computing the nearest correlation matrix. SIAM journal on matrix analysis and applications, 28(2), 360-385.
* amoeba (https://stats.stackexchange.com/users/28666/amoeba), How to generate a large full-rank random correlation matrix with some strong correlations present?, URL (version: 2017-04-13): https://stats.stackexchange.com/q/125020
نیازمندی
| مقدار | نام |
|---|---|
| >=1.19 | numpy |
| >=0.5.6 | julia |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl bigsimr-0.1.0:
pip install bigsimr-0.1.0.whl
نصب پکیج tar.gz bigsimr-0.1.0:
pip install bigsimr-0.1.0.tar.gz