空间数据的处理与网格化
verde的Python项目详细描述
Documentation| Documentation (dev version)| Contact| Fatiando a Terra项目的一部分
关于
Verde是一个处理空间数据(测深、地球物理学)的Python库 测量等)并在规则网格上插值(即gridding)。
verde中的大多数网格化方法使用green函数方法。 根据输入数据估计线性模型,然后用于预测 在规则网格上的数据(或在散点图、剖面图中,作为导数)。 这些模型是弹性变形理论的格林函数。 这种方法与machine learning非常相似,因此我们实现了gridder 类似于scikit-learn的类 回归类。 这个api不是100%兼容的,但是对于那些 SCIKIT学习经验。
使用green函数的优点包括:
- 轻松地将weights应用于数据点。这是线性最小二乘法 问题。
- 使用已建立的机器学习技术执行模型选择, 比如k-fold或者holdout交叉验证。
- 估计的模型可以轻松存储以供以后使用,例如 球谐系数用于重量分析。
主要缺点是内存和处理时间要求很高(这是一个线性的 回归问题)。因此,不建议将大型数据集网格化(>;10000 点),但这将取决于你有多少内存可用。
项目目标
- 为网格化空间数据提供受机器学习启发的界面
- 与scipy堆栈集成:numpy、pandas、scikit learn和xarray
- 包括常见的处理和数据准备任务,如阻塞方法和二维趋势
- 支持网格标量和矢量数据(如风速或GPS速度)
- 支持笛卡尔坐标和地理坐标
Verde的第一个版本专注于实现这些最初的目标和建立 图书馆的外观和感觉。以后的版本将着重于扩展 可用的网格,优化代码,改进算法,以便 也可以支持大于内存的数据集。
联系我们
- 大多数讨论发生在on Github。 随时可以open an issue或评论 任何公开的问题或请求。
- 我们有chat room on Gitter 在那里你可以提出问题并留下评论。
引用Verde
这是科学家制作的研究软件(参见 AUTHORS.md)。引文 帮助我们证明建设和维护这个项目的努力是正确的。如果你 在你的研究中使用了威尔德,请考虑引用我们。
看我们的CITATION.rst file 了解更多。
贡献
行为准则
请注意,此项目发布时 Contributor Code of Conduct。 通过参与这个项目,你同意遵守它的条款。
贡献准则
请阅读我们的 Contributing Guide 看看你能如何提供帮助和反馈。
冒名顶替综合症免责声明
我们需要您的帮助。不,真的。
你脑子里可能有个声音在告诉你 还没有准备好成为一个开源贡献者;你的技能还不够好 足以做出贡献。 你能提供什么?
我们向你保证你脑子里的声音是错的。
成为贡献者不仅仅意味着编写代码。 平等的重要贡献包括: 编写或校对文档,建议或实施测试,或 甚至对项目给出反馈(包括对 贡献过程)。 如果你带着新的眼光来参加这个项目,你可能会看到错误和 经验丰富的贡献者掩盖的假设。 如果您可以编写任何代码,那么您可以为开源贡献代码。 我们不断尝试新技能,犯错误,并从中学习 那些错误。 我们都是这样进步的,我们乐于帮助别人学习。
此免责声明改编自MetPy project。
许可证
这是一个自由软件:你可以根据条款重新发布和/或修改它 bsd 3子句许可证的。本许可证副本见 LICENSE.txt。
其他版本的文档
- Development(反映上的master分支 github)
- Latest release
- v1.2.0
- v1.1.0
- v1.0.1
- v1.0.0