工具¶

我们的工具集合包含一些方便用户使用的函数，以及主要用于内部使用的函数。

除了这个 tools 目录之外，其他几个子包也拥有自己的 tools 模块，例如 statsmodels.tsa.tsatools

模块参考¶

这些是基本和杂项工具。完整的导入路径是 statsmodels.tools.tools。

`tools.add_constant`(data[, prepend, has_constant])	向数组添加一列。

下一组主要是辅助函数，这些函数没有单独测试或测试不足。

`tools.clean0`(matrix)	擦除零列：可以在伪逆中节省一些时间。
`tools.fullrank`(x[, r])	返回一个列跨度与 x 相同的数组。
`tools.isestimable`(c, d)	如果 (Q, P) 对比 c 对于 (N, P) 设计 d 可估计，则为 True。
`tools.recipr`(x)	数组的倒数，其中小于或等于 0 的条目设置为 0。
`tools.recipr0`(x)	数组的倒数，其中小于 0 的条目设置为 0。
`tools.unsqueeze`(data, axis, oldshape)	解压缩一个已折叠的数组。

`numdiff.approx_fprime`(x, f[, epsilon, args, ...])	函数的梯度，如果函数 f 返回 1d 数组，则为雅可比矩阵。
`numdiff.approx_fprime_cs`(x, f[, epsilon, ...])	使用复数步长导数近似来计算梯度或雅可比矩阵。
`numdiff.approx_hess1`(x, f[, epsilon, args, ...])	使用有限差分导数近似来计算海森矩阵。
`numdiff.approx_hess2`(x, f[, epsilon, args, ...])	使用有限差分导数近似来计算海森矩阵。
`numdiff.approx_hess3`(x, f[, epsilon, args, ...])	使用有限差分导数近似来计算海森矩阵。
`numdiff.approx_hess_cs`(x, f[, epsilon, ...])	使用复数步长导数近似来计算海森矩阵。

此模块中的第一组函数是信息准则的独立版本，包括 aic bic 和 hqic。带有 _sigma 后缀的函数以误差平方和作为参数，没有后缀的函数以对数似然 llf 作为参数。

第二组函数是拟合或预测性能指标，它们大多是一行代码，用作辅助函数。所有这些函数都会计算两个数组之间差异的性能或距离统计量。例如，在蒙特卡罗或交叉验证的情况下，第一个数组将是不同重复或抽取的估计结果，而第二个数组将是真实值或观察值。

`eval_measures.aic`(llf, nobs, df_modelwc)	赤池信息准则。
`eval_measures.aic_sigma`(sigma2, nobs, df_modelwc)	赤池信息准则。
`eval_measures.aicc`(llf, nobs, df_modelwc)	具有小样本校正的赤池信息准则 (AIC)。
`eval_measures.aicc_sigma`(sigma2, nobs, ...)	具有小样本校正的赤池信息准则 (AIC)。
`eval_measures.bic`(llf, nobs, df_modelwc)	贝叶斯信息准则 (BIC) 或施瓦茨准则。
`eval_measures.bic_sigma`(sigma2, nobs, df_modelwc)	贝叶斯信息准则 (BIC) 或施瓦茨准则。
`eval_measures.hqic`(llf, nobs, df_modelwc)	汉南-奎因信息准则 (HQC)。
`eval_measures.hqic_sigma`(sigma2, nobs, ...)	汉南-奎因信息准则 (HQC)。
`eval_measures.bias`(x1, x2[, axis])	偏差，平均误差
`eval_measures.iqr`(x1, x2[, axis])	误差的四分位间距
`eval_measures.maxabs`(x1, x2[, axis])	最大绝对误差
`eval_measures.meanabs`(x1, x2[, axis])	平均绝对误差
`eval_measures.medianabs`(x1, x2[, axis])	中位数绝对误差
`eval_measures.medianbias`(x1, x2[, axis])	中位数偏差，中位数误差
`eval_measures.mse`(x1, x2[, axis])	均方误差
`eval_measures.rmse`(x1, x2[, axis])	均方根误差
`eval_measures.rmspe`(y, y_hat[, axis, zeros])	均方根百分比误差
`eval_measures.stde`(x1, x2[, ddof, axis])	误差的标准差
`eval_measures.vare`(x1, x2[, ddof, axis])	误差的方差

上次更新: 2024年10月3日