表格型检验产品
<p>[TOC]</p>
<pre><code class="language-python">%matplotlib inline
%load_ext autoreload
%autoreload 2
import meteva.method as mem
import numpy as np
import copy</code></pre>
<pre><code>Bad key "text.kerning_factor" on line 4 in
s:\ProgramData\Anaconda3\lib\site-packages\matplotlib\mpl-data\stylelib\_classic_test_patch.mplstyle.
You probably need to get an updated matplotlibrc file from
http://github.com/matplotlib/matplotlib/blob/master/matplotlibrc.template
or from the matplotlib source distribution
s:\ProgramData\Anaconda3\lib\site-packages\statsmodels\tools\_testing.py:19: FutureWarning: pandas.util.testing is deprecated. Use the functions in the public API at pandas.testing instead.
import pandas.util.testing as tm</code></pre>
<p><strong><em>通过随机函数生成测试数据，用于后续检验函数调用示例</em></strong></p>
<pre><code class="language-python">ob_p = np.random.rand(1000)
ob= np.zeros(ob_p.shape)
ob[ob_p>0.5] = 1 #设定有一部分观测被确定为正例（1），一部分被确定为负例（0）
error1 = np.abs(np.random.randn(5,1000)) * 0.3 #在观测的基础上加上一个概率扰动构建概率预报
error0 = np.abs(np.random.randn(5,1000)) * 0.3
error1[error1>1] = 1
error0[error0>1] = 1
fo = np.zeros((5,1000)) + ob
fo[fo==1] = 1 - error1[fo==1] #对于观测正例，概率预报在1左右
fo[fo==0] = error0[fo ==0] #对于观测负例，概率预报在0左右
fo_name_list = ["ECMWF","NCEP","T639","SCMOC","GRAPES","GRAPES_MESO","GRAPES-3KM","SHANGHAI","GUANGDONG"]</code></pre>
<p>在概率预报的检验中，同样存在并行计算的需求，因此也需要统计各类检验指标或图形产品所需的中间结果。下面的函数可
为多个检验指标函数提供的输入。 </p>
<h1>区分能力表</h1>
<p><strong><font face="黑体" color=blue size = 5>hnh(Ob,Fo,grade_count = 10,member_list=None, save_path=None)</font></strong><br />
统计预报概率为不同区间下观测样本事件发生和不发生的样本数。</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size=5>ob</font></strong></td>
<td style="text-align: left;">实况数据, 任意维numpy数组</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size=5>fo</font></strong></td>
<td style="text-align: left;">预测数据, 任意维numpy数组,Fo.shape 比Ob.shape多一维或者保持一致，Fo.shape低维与ob.shape保持一致</td>
</tr>
<tr>
<td style="text-align: left;"><strong>grade_count</strong></td>
<td style="text-align: left;">区分等级数 大于1的整数，它0 - 1 的概率预报区间划分为grade_count等分。缺省值为10</td>
</tr>
<tr>
<td style="text-align: left;"><strong>member_list</strong></td>
<td style="text-align: left;">预报成员的名称列表</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">数据以excel格式输出到该路径，缺省时不输出</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size=5>return</font></strong></td>
<td style="text-align: left;">当fo和ob的shape一致时返回grade_count × 2 的numpy数组，其中元素[i,0]和[i,1]分别为预报概率在第i个区间，观测发生和不发生的样本数。当fo比ob高出一维时，返回三维数组，其shape = (预报成员数) × grade_count × 2</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong> </p>
<pre><code class="language-python">hnh_array1 = mem.hnh(ob,fo[0,:],10,save_path = r"H:\test_data\output\method\probability\t1.xlsx")</code></pre>
<pre><code>列联表已以excel表格形式保存至H:\test_data\output\method\probability\t1.xlsx</code></pre>
<p>上述运行结果excel的截图形式如下：</p>
<p><img src="https://www.showdoc.cc/server/api/common/visitfile/sign/ec479f19551308aac79255e7fef00928?showdoc=.jpg" alt="" /></p>
<pre><code class="language-python">hnh_array2 = mem.hnh(ob,fo,10,member_list = fo_name_list,save_path = r"H:\test_data\output\method\probability\t2.xlsx")</code></pre>
<pre><code>列联表已以excel表格形式保存至H:\test_data\output\method\probability\t2.xlsx</code></pre>
<p>上述运行结果excel的截图形式如下，其中包含四个sheet：
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/e1634dfc4e51656da9903b0b1b4424d5?showdoc=.jpg" alt="" /></p>
<pre><code class="language-python"></code></pre>