معرفی شرکت ها

confsmooth-1.0.0

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
1.0.0

توضیحات

The algorithm smooths functions preserving local peaks. To distinguish peaks from noise it needs noise standard deviation
ویژگی مقدار
سیستم عامل -
نام فایل confsmooth-1.0.0
نام confsmooth
نسخه کتابخانه 1.0.0
نگهدارنده ['Sergey Guda']
ایمیل نگهدارنده []
نویسنده Sergey Guda
ایمیل نویسنده gudasergey@yandex.ru
آدرس صفحه اصلی https://github.com/gudasergey/confsmooth
آدرس اینترنتی https://pypi.org/project/confsmooth/
مجوز -
# Confidence Based Smoothing The algorithm smooths functions preserving local peaks. To distinguish peaks from noise it needs noise standard deviation. ![Demo](./example.png) ## Installation pip install --upgrade confsmooth ## Usage ```python import os, shutil, statsmodels import matplotlib.pyplot as plt import numpy as np from statsmodels.nonparametric.kernel_regression import KernelReg from confsmooth import confsmooth from scipy.signal import savgol_filter x = np.linspace(-2,2,500) real_noise_level = 0.002 y = 1 - np.power(np.abs(x)+0.01,0.01) + np.random.normal(0, real_noise_level, len(x)) # estimate noise standard deviation savgol = savgol_filter(y,21,1) noise_level = np.std(y - savgol) print('Estimated noise level =', noise_level, 'Real noise level =', real_noise_level) smoothed_conf = confsmooth(y, noise_level, confidence=0.995, deg=2) kr = KernelReg(endog=y, exog=x, var_type='c', bw=[0.1]) smoothed_kr, _ = kr.fit(x) fig,ax = plt.subplots() ax.plot(x, y, label='initial') ax.plot(x, savgol, label='savgol') ax.plot(x, smoothed_kr, label='Kernel regr') ax.plot(x, smoothed_conf, label='confsmooth') ax.legend() plt.show() ```


نیازمندی

مقدار نام
>=1.14.3 numpy
>=1.1.0 scipy


نحوه نصب


نصب پکیج whl confsmooth-1.0.0:

    pip install confsmooth-1.0.0.whl


نصب پکیج tar.gz confsmooth-1.0.0:

    pip install confsmooth-1.0.0.tar.gz