Процедуры идентификации сетевых структур, основанные на коэффициентах корреляции Кендалла и Спирмена

34. 0.35610313572502006 0.24505576446204216 -0.5007049846168339 -0.42828716953841106 0.052419222689392315 0.13777107520170528 -0.32029211884246783 -0.1962884776592149 0.003914920191634363 -0.30348004323193806 0.04964040090544838 -0.07218549062872134 -0.5953867201186013 -0.396961196118032 0.059706256412410716 0.10741654786497667 0.197254635335096 0.40073481495916985 0.1695837161082024 0.07899928807124783 -0.17117182967713726 0.02081071349819146 -0.49551537266895246 0.32612355449604596 -0.5345604018950679 1.0 -0.07324455778002821 -0.1359534835087426 -0.19152613363945944 0.43267761457400217 -0.367081364576208 0.24504431461547396 0.020075421909098307 0.17454183835509635 -0.24376404385016187 -0.48129279840553285 0.3854385392577218 -0.03223656315364042 0.5216027801887102 -0.3839158741854623 -0.34039160811875685 -0.3124718982154471 -0.20653653505781247 -0.210768169764364 -0.024328128515234214 0.18311651410518667 0.1334979666641535 -0.023563169554216064 -0.04931562503170856 0.07396837297207608;

35. 0.46212696244334805 0.4080139007716837 -0.09531449062010268 0.3379757674143984 0.031621861108973554 0.16358269169639322 -0.14223243388160503 -0.3324008607816942 -0.2779135355632455 -0.13031883568512376 -0.01638821266147812 0.2941981805979403 0.2626201998044791 -0.01317187229703771 0.4792444334075514 0.4108629400706019 0.3311215333235794 0.09718985132797849 -0.0038056373840691126 0.29414177516364287 0.08789299266724253 -0.27628391305364286 0.00669720021748356 0.04039307835884949 -0.027550896770418744 -0.07324455778002821 1.0 0.25893030967496106 0.1838712278370008 -0.22752140127405507 0.34587459572479684 0.0936949119774109 -0.1640911429224496 -0.014271971837826315 -0.0342090268850737 0.2269116625978549 -0.1861619215796175 0.2471288690947758 -0.14040169400617522 0.25735061896333017 0.2725547147966248 0.010183676260093909 -0.17029979191092254 -0.004394512247289294 -0.14644345172271767 0.08998900330758036 -0.23883027974311624 -0.08069963799368177 0.20332836460606574 0.05108876338772324;

36. 0.15651283859728718 -0.24246587687577864 0.03449285968678694 0.10825277435325598 0.8036624413338576 0.8413266747977295 0.7002788894649958 -0.6164882259253625 0.672732864908302 -0.46450015309078657 -0.8162542832003147 0.9095930757945694 0.6622859744348892 -0.6426198691429257 0.17759151803246556 0.7411264531799348 0.8119979523504667 0.2801565587197058 0.8244615003870295 0.7989420897908548 -0.6787349457752773 0.07861708375294485 -0.6602489300459916 0.7446847294159191 -0.3843436790065466 -0.1359534835087426 0.25893030967496106 1.0 0.9046740283276999 0.4816511007059751 0.8417487991197962 0.7724188501561575 0.7445839873494478 0.7154564045806857 0.5531476343423366 0.7672750387865255 0.5336508437571629 0.890749046707178 0.5096739222734783 -0.5604783604214226 -0.3253103644881102 -0.7171003733202345 -0.5861569995562586 -0.5045418656395642 -0.7917572694927407 0.5374135235749227 -0.007072349761394079 0.8148259678244478 -0.5112905932629636 0.7482550468438786;

37. 0.007618983460007782 -0.3172972922324646 0.012371924971937093 -0.028227109737660534 0.8559554906938531 0.9177687230632536 0.7549313172430814 -0.5950265408314271 0.7169676283656337 -0.49709148392397634 -0.8944149364979572 0.9437112878266696 0.7184768849101569 -0.6648097683733467 0.044130689502818655 0.8384052810566438 0.8532043277492978 0.35451132878041963 0.8581663510066119 0.8904873285989438 -0.7590442273757805 -0.1296659781862191 -0.6190911133192003 0.7985106956861496 -0.36208627839156254 -0.19152613363945944 0.1838712278370008 0.9046740283276999 1.0 0.5853522785921518 0.9045444149010198 0.7726597907974241 0.7719293293073453 0.7762949355107113 0.571534820637401 0.8141814366215288 0.5992803486360073 0.9353406951353302 0.49393047688905184 -0.6431148357674463 -0.5141903537632098 -0.7666290529147434 -0.7179622610874855 -0.6003730548339219 -0.8037928973772797 0.6447490602251063 0.060424888815899816 0.860089615143668 -0.5623713364405777 0.848154832877349;

38. -0.012677439764108069 -0.23676000028603122 -0.26071289142264586 -0.6336117632365837 0.6961617484434709 0.7729350283894064 0.5527136171685318 -0.483707427611835 0.7409459334265505 -0.4546036412946931 -0.6453937516738721 0.5705143069854287 0.08166722813786231 -0.8206687871460459 -0.1947943746911306 0.5865885749924686 0.6656493645908447 0.5883994083965097 0.8328597030693564 0.638913655120063 -0.7649659649569769 -0.1718331928118077 -0.7820680908083198 0.8431389778859126 -0.5650676920828273 0.43267761457400217 -0.22752140127405507 0.4816511007059751 0.5853522785921518 1.0 0.3438873181328344 0.6921613962770371 0.8020443878540089 0.7508111431782379 0.385539946535971 0.21316936483467008 0.905009497624065 0.682335150530968 0.8575198400102421 -0.9490280855674317 -0.8547450228471849 -0.8611711991888317 -0.6582705470655169 -0.739896283618301 -0.595903024203299 0.7684531855711476 0.38993046217034255 0.7417180684967833 -0.7234259355110526 0.8373025176156048;

39. -0.036936104794969074 -0.2170518968835467 -0.031933106991026805 0.06849769832843755 0.712426138277753 0.7974327355828325 0.6795910863343405 -0.5088060482431039 0.4777430159863355 -0.38190135539952547 -0.7575096935657769 0.849717370506264 0.829349055984347 -0.4727490761999664 0.15314356525330688 0.798196374863698 0.7821280009273364 0.20082203078250097 0.6972775868614463 0.8389982631251441 -0.5981180049836134 -0.19813715220454203 -0.3835063121925194 0.6071288010838832 -0.09315215268810498 -0.367081364576208 0.34587459572479684 0.8417487991197962 0.9045444149010198 0.3438873181328344 1.0 0.6373379747555108 0.5901052822708257 0.6088761029711975 0.3919278554453059 0.8321740086311473 0.37640204019752393 0.8392957068862082 0.2685010113882046 -0.3813213549012281 -0.2686090434660698 -0.5408939400467231 -0.5526720995418156 -0.5101827111492134 -0.6698240990525671 0.5290796474012075 -0.055579149927763305 0.7220412638828693 -0.44604775648721606 0.7000803137909591;

40. 0.1603238801134231 -0.2910302827135299 -0.29192766451640556 -0.1440684308579454 0.8060543785192517 0.8467417677963788 0.5696131846812409 -0.6011962879763976 0.6744350007330361 -0.4911927821811086 -0.8001996894172448 0.8051690980147017 0.3972455878762209 -0.8446810402928249 0.1096243323044512 0.731468646627823 0.8632997806844196 0.4885198631905997 0.8817721451341727 0.760395415574222 -0.711343996359434 0.00630034373997067 -0.8276237257774597 0.8524652668862883 -0.486172679062897 0.24504431461547396 0.0936949119774109 0.7724188501561575 0.7726597907974241 0.6921613962770371 0.6373379747555108 1.0 0.7614100155843669 0.7297749529298099 0.4231733833380294 0.47860541108862054 0.7043475831337057 0.8156496672698927 0.6757316932533562 -0.7579324486053911 -0.5838704034692669 -0.8528861376420684 -0.7251420147102209 -0.6034335373560666 -0.7587833008269823 0.6451298297912822 0.05419792715735946 0.7454440362120325 -0.6207910711744009 0.7762300082723728;

41. -0.14332873809686122 -0.4850062821327649 -0.00012415185842763683 -0.22244317822226026 0.8131477243346036 0.7870665371478723 0.8326375500126522 -0.42170206211569966 0.900026269948939 -0.3098738560953582 -0.8041307928496843 0.7430852876829893 0.49252889796675414 -0.7856087253985274 -0.15611451582989644 0.5571520851269782 0.6725160760531906 0.42922815830956773 0.8878698253041551 0.6715669218973682 -0.7344825913156234 -0.010343048949729079 -0.7520151724430731 0.8074297157710691 -0.34496184503476884 0.020075421909098307 -0.1640911429224496 0.7445839873494478 0.7719293293073453 0.8020443878540089 0.5901052822708257 0.7614100155843669 1.0 0.7715181410119895 0.5845400257615712 0.5695814889244025 0.7687012304821064 0.8221019226308395 0.7189003291007956 -0.8435612156173804 -0.6905439277195684 -0.8420216989746647 -0.6047005531206782 -0.5683251932909053 -0.7688339815704114 0.613370972395842 0.2886111418858096 0.8883720076480819 -0.7748651528135505 0.8943534432148299;

42. -0.049348225393366314 -0.15087961825175186 -0.21696590598144797 -0.3776404390282153 0.7026521751600782 0.8356197395476984 0.531013048080443 -0.42354814510407435 0.7325443917609195 -0.5890263423940294 -0.7778421998387383 0.7118283420979424 0.3824251424466229 -0.7196184245777941 -0.19904373366825676 0.6638600988050213 0.7457723784101566 0.4218211072474565 0.8110836034433648 0.7524876593295697 -0.8440621336595941 -0.17562352516122487 -0.7587945888675309 0.847588107890137 -0.5010093433811508 0.17454183835509635 -0.014271971837826315 0.7154564045806857 0.7762949355107113 0.7508111431782379 0.6088761029711975 0.7297749529298099 0.7715181410119895 1.0 0.2936892266996144 0.5933115048935821 0.7223172594849999 0.7724616141412395 0.7440401211456318 -0.787719287708938 -0.7443056723571784 -0.8313956362490941 -0.7305428847079667 -0.6217697552575451 -0.6970357421962737 0.4833233092167871 0.19823500918032724 0.8204946550427406 -0.45364537801809346 0.7917897683763822;

43. 0.15362053650432672 -0.21241592797134562 0.5203263798463259 0.19820201955544428 0.4927683895299173 0.4241642204923972 0.6136755242638764 -0.40934598734057315 0.6868254566877956 -0.0697039561404624 -0.49061217229770165 0.5526064134604418 0.2523841229730625 -0.3827251764892845 0.04436617828876419 0.37729567805053316 0.37626579348352396 0.1711711636090847 0.5174044821575212 0.39529578374920604 -0.2694463348275879 0.11798413600001319 -0.3932910487286702 0.3602320687032365 -0.3005951068201925 -0.24376404385016187 -0.0342090268850737 0.5531476343423366 0.571534820637401 0.385539946535971 0.3919278554453059 0.4231733833380294 0.5845400257615712 0.2936892266996144 1.0 0.4102246541791465 0.3715438845440037 0.5613734398313442 0.28490008311406656 -0.4212227104941784 -0.27287259782047957 -0.49810585129333407 -0.3320483936676153 -0.2011372055171009 -0.5206172699069449 0.5280079761814587 0.1283020310466425 0.5011229403021128 -0.4330245797755244 0.5040678736527299;

44. -0.18539257761698458 -0.3256364391356128 0.26559234875449195 0.19759945485870997 0.6476147212597423 0.6235281548682241 0.6284411938137932 -0.2961452532753129 0.5223116554329571 -0.17517255941155474 -0.7328694749698564 0.7358556890883805 0.8409501575419677 -0.3184180243605808 0.18216036652920742 0.5594403326532275 0.5643581324492944 0.05265585581642852 0.5561111461466776 0.6577414277734168 -0.46112833375805085 -0.10546791985945637 -0.2814332097090458 0.49274562543698136 -0.029586166637518778 -0.48129279840553285 0.2269116625978549 0.7672750387865255 0.8141814366215288 0.21316936483467008 0.8321740086311473 0.47860541108862054 0.5695814889244025 0.5933115048935821 0.4102246541791465 1.0 0.1750763209897704 0.7128754342108147 0.11341983893475929 -0.2735767397839227 -0.1808969277951875 -0.4391300407907985 -0.45410099009822025 -0.27840770239269946 -0.6647919999770863 0.2154154477021348 -0.1463411326997255 0.6450504898544621 -0.24845293963253018 0.5778217359651399;

45. 0.06564455952968465 -0.2066309821487786 -0.3570485929571797 -0.5467518142757012 0.6418318565673476 0.7463530325030987 0.5336707045807044 -0.44983849836488077 0.6988398581355059 -0.5643985100945634 -0.5492753553686857 0.5842079046875794 0.09420414897071339 -0.7323942937693648 -0.28233368763262634 0.5598332914252182 0.6311895042176882 0.5834395638724452 0.8327503517389234 0.6325260051578578 -0.7856063105306601 -0.08152066331399495 -0.7676007261005146 0.8042687481629764 -0.5722007072897389 0.3854385392577218 -0.1861619215796175 0.5336508437571629 0.5992803486360073 0.905009497624065 0.37640204019752393 0.7043475831337057 0.7687012304821064 0.7223172594849999 0.3715438845440037 0.1750763209897704 1.0 0.6754838104023022 0.9155597188133933 -0.917368449266 -0.8239953894759848 -0.7976420152196328 -0.6122469852889166 -0.7521012349935623 -0.47260548242119554 0.7666549624938618 0.5766226817489827 0.7592575208855366 -0.7379166940685845 0.7951390675050626;

46. 0.11033996698050869 -0.24166295747138053 -0.06115114836175263 -0.08672837114744691 0.8486072503983056 0.9262283175496876 0.7337755315663507 -0.6734509308661046 0.7004164930977116 -0.43519728980899347 -0.8506227489574081 0.9487962357120235 0.6057125648802427 -0.7580514911307107 0.13306712214208197 0.8648198426159932 0.8985832978524437 0.4764495437395343 0.9121416967916761 0.90767165502 -0.7214595325293789 -0.1807738015397793 -0.7075188971090717 0.8346947128194034 -0.41264952677024497 -0.03223656315364042 0.2471288690947758 0.890749046707178 0.9353406951353302 0.682335150530968 0.8392957068862082 0.8156496672698927 0.8221019226308395 0.7724616141412395 0.5613734398313442 0.7128754342108147 0.6754838104023022 1.0 0.5991565771685267 -0.7044508508515199 -0.5462339783280612 -0.8211881681675925 -0.6870630061801267 -0.6283633125294207 -0.8206585503102046 0.7221560187409121 0.12994347538078854 0.8460421440310872 -0.6198590621037185 0.9045641589721176;

47. 0.14256059978184252 -0.0543624254297931 -0.3224574428380354 -0.5224029800928205 0.5752133813905576 0.6712340814507656 0.41610114621078303 -0.3789137911337018 0.6543723173572822 -0.5630237440414676 -0.4717605270809031 0.5014906824046875 -0.03534739272385971 -0.7527855748155223 -0.24185996012987804 0.466442777958323 0.590070407043017 0.48899352238127264 0.7755958034313449 0.5752019649240958 -0.7424437829411102 -0.03490947681048245 -0.8592850359917276 0.7825409885831607 -0.5961864609450273 0.5216027801887102 -0.14040169400617522 0.5096739222734783 0.49393047688905184 0.8575198400102421 0.2685010113882046 0.6757316932533562 0.7189003291007956 0.7440401211456318 0.28490008311406656 0.11341983893475929 0.9155597188133933 0.5991565771685267 1.0 -0.864993202565795 -0.7604847363746254 -0.8168479613924785 -0.5529643539757001 -0.6049007038947893 -0.5164033204415134 0.6182215038442185 0.5285049464838378 0.6872378616826157 -0.5905525653378438 0.6827379302132944;

48. 0.017956642020051882 0.336397747950471 0.23786943010290434 0.5081085066042312 -0.7494107552827466 -0.798490018329909 -0.6167908453447952 0.48792070888130373 -0.815510717780411 0.5077592478444082 0.7227918794208043 -0.6229218865366423 -0.16356881158190217 0.8188094022243886 0.23420825057611652 -0.5743921023084202 -0.670854777157395 -0.5709419132009648 -0.855933464286049 -0.6371447382740755 0.8150068587944582 0.04115528382405511 0.8317344511253073 -0.866299880147498 0.6107240045707026 -0.3839158741854623 0.25735061896333017 -0.5604783604214226 -0.6431148357674463 -0.9490280855674317 -0.3813213549012281 -0.7579324486053911 -0.8435612156173804 -0.787719287708938 -0.4212227104941784 -0.2735767397839227 -0.917368449266 -0.7044508508515199 -0.864993202565795 1.0 0.8774973894115342 0.8890599747647387 0.7097559974973341 0.7352923849574493 0.640537306417231 -0.7159996200696711 -0.35253183899977597 -0.8020299143584565 0.7445288921547281 -0.846412718582176;

49. 0.09620366938762362 0.24044109793905327 0.30616411572191904 0.5806588929994452 -0.5421229306321893 -0.6544381342581354 -0.448785396285333 0.31866417619685455 -0.6797025944796127 0.4845191226386972 0.5814802874443689 -0.45407072710623697 -0.07093038838854399 0.6857439704844612 0.43029474583850486 -0.4964874278095865 -0.5342864237869748 -0.562622411609708 -0.6768808611921164 -0.5334665626246389 0.7264742827347792 0.2724327219118413 0.6722628165128159 -0.7299160328615889 0.5115831082172511 -0.34039160811875685 0.2725547147966248 -0.3253103644881102 -0.5141903537632098 -0.8547450228471849 -0.2686090434660698 -0.5838704034692669 -0.6905439277195684 -0.7443056723571784 -0.27287259782047957 -0.1808969277951875 -0.8239953894759848 -0.5462339783280612 -0.7604847363746254 0.8774973894115342 1.0 0.7813952646778864 0.7104176003354769 0.6284715788899463 0.4642853187979062 -0.5729104274746654 -0.39750129115598365 -0.6618830675342675 0.5841612244195863 -0.7356666359060426;

50. -0.1525516822970671 0.24542096405601993 0.1624414830443728 0.3303660104930506 -0.8086691209265592 -0.8687828609551554 -0.5907448366230487 0.6021298068909278 -0.7861040912569135 0.5134994968594869 0.8144132965262475 -0.7758162565966303 -0.2807025489442869 0.9290654812210571 0.04487028616138359 -0.7164950354443484 -0.821009187462985 -0.5472432814957525 -0.9115706152255258 -0.7544074943612791 0.7877234218765384 0.12626841129909747 0.929680653066158 -0.9108936000521388 0.5918475260498087 -0.3124718982154471 0.010183676260093909 -0.7171003733202345 -0.7666290529147434 -0.8611711991888317 -0.5408939400467231 -0.8528861376420684 -0.8420216989746647 -0.8313956362490941 -0.49810585129333407 -0.4391300407907985 -0.7976420152196328 -0.8211881681675925 -0.8168479613924785 0.8890599747647387 0.7813952646778864 1.0 0.7859202874832205 0.6112330137537038 0.8433159037855545 -0.684055461150347 -0.16078312746489826 -0.7973348683026327 0.6382170709123108 -0.8612451731888968;

51. -0.03849103833892827 0.24702159713769137 0.28799185801660027 0.29336470391528763 -0.7333852557479283 -0.7914209401017089 -0.4329966048063916 0.47543246751820734 -0.5950208118582677 0.6150702187918048 0.7788620597469198 -0.6925320661028456 -0.36828524791744566 0.735103198830934 0.08948355207355237 -0.7319791220413088 -0.7717190856423708 -0.43195507347622014 -0.7079218628900875 -0.7273066078416954 0.7593013647678363 0.2289048180215436 0.6699615680627554 -0.8137433229842562 0.47034437757119857 -0.20653653505781247 -0.17029979191092254 -0.5861569995562586 -0.7179622610874855 -0.6582705470655169 -0.5526720995418156 -0.7251420147102209 -0.6047005531206782 -0.7305428847079667 -0.3320483936676153 -0.45410099009822025 -0.6122469852889166 -0.6870630061801267 -0.5529643539757001 0.7097559974973341 0.7104176003354769 0.7859202874832205 1.0 0.6352421106227708 0.6911585625011567 -0.5610237029630927 -0.008137502340509957 -0.6496519859609511 0.499196611203586 -0.7283740543848112;

52. -0.03241155562817533 0.13248763665800542 0.4240118917432622 0.5545083825689011 -0.5782676860849572 -0.7586689190404102 -0.4461250517936547 0.5055226659285306 -0.48816311980743543 0.55122980340681 0.5852417483629363 -0.5789402516787967 -0.24520942346796173 0.5586996257934018 0.11483179120879743 -0.6654500142379491 -0.6780471539950416 -0.4954176167234475 -0.7005432144371432 -0.6509538729122447 0.7200364464070392 0.12605076317802982 0.4995051756923252 -0.6959054249789032 0.4603838919340626 -0.210768169764364 -0.004394512247289294 -0.5045418656395642 -0.6003730548339219 -0.739896283618301 -0.5101827111492134 -0.6034335373560666 -0.5683251932909053 -0.6217697552575451 -0.2011372055171009 -0.27840770239269946 -0.7521012349935623 -0.6283633125294207 -0.6049007038947893 0.7352923849574493 0.6284715788899463 0.6112330137537038 0.6352421106227708 1.0 0.366669663038569 -0.7437253452196513 -0.2244311580509068 -0.6493375259025363 0.6466467154531956 -0.7234379545805272;

53. -0.009266143558943502 0.3836318694712589 -0.07598795328094629 0.01868848375203422 -0.8725838247930258 -0.7981044702796161 -0.664991274201634 0.5351672523438092 -0.7261228648630156 0.3310980215539028 0.876343950003402 -0.8161712864439359 -0.5598789037147551 0.8228810357495007 -0.17942026256146243 -0.667111567752517 -0.7744139835976069 -0.30630038213101096 -0.79740386095317 -0.7288886671758752 0.6708111847812291 0.053049036051189324 0.758671168384664 -0.8020638755632411 0.350466596329266 -0.024328128515234214 -0.14644345172271767 -0.7917572694927407 -0.8037928973772797 -0.595903024203299 -0.6698240990525671 -0.7587833008269823 -0.7688339815704114 -0.6970357421962737 -0.5206172699069449 -0.6647919999770863 -0.47260548242119554 -0.8206585503102046 -0.5164033204415134 0.640537306417231 0.4642853187979062 0.8433159037855545 0.6911585625011567 0.366669663038569 1.0 -0.49634495502373477 0.09983158025340677 -0.722148534178133 0.506467978888153 -0.7653307640649273;

54. 0.2304392037698104 -0.07711843148143416 -0.19457201183908696 -0.38595112006955845 0.63839829382416 0.7635007878598138 0.5630255963954727 -0.6747509209296408 0.545727389592372 -0.45436013934701586 -0.55084949123312 0.6694384735304882 0.19787159414256772 -0.6574201577542506 0.0015703589305495831 0.7367822153785166 0.7263572441726331 0.5180627566604261 0.7544270373055798 0.6882364424546127 -0.6071284039577223 -0.15302560103471982 -0.5785689157298564 0.6821253635035321 -0.4735078140885141 0.18311651410518667 0.08998900330758036 0.5374135235749227 0.6447490602251063 0.7684531855711476 0.5290796474012075 0.6451298297912822 0.613370972395842 0.4833233092167871 0.5280079761814587 0.2154154477021348 0.7666549624938618 0.7221560187409121 0.6182215038442185 -0.7159996200696711 -0.5729104274746654 -0.684055461150347 -0.5610237029630927 -0.7437253452196513 -0.49634495502373477 1.0 0.2717072859914039 0.6005785697996507 -0.7087748613931263 0.7706770786708962;

55. -0.15969307044404427 -0.05174925556241794 -0.13429508269769933 -0.3541602051049346 0.04774247239784669 0.07636650260694473 0.16694982003599168 0.1644841729451815 0.23875269952655812 -0.09498814188671253 0.11656800129399988 0.003292133726180623 -0.17367263285251777 -0.08852656961078917 -0.44068294364596866 -0.03837701487839759 -0.053328786932721466 0.1982977979948732 0.24280333537564516 0.1256085008906956 -0.24401583692518158 -0.11208243482802947 -0.16924728576564804 0.16626975540176217 -0.03482380350295913 0.1334979666641535 -0.23883027974311624 -0.007072349761394079 0.060424888815899816 0.38993046217034255 -0.055579149927763305 0.05419792715735946 0.2886111418858096 0.19823500918032724 0.1283020310466425 -0.1463411326997255 0.5766226817489827 0.12994347538078854 0.5285049464838378 -0.35253183899977597 -0.39750129115598365 -0.16078312746489826 -0.008137502340509957 -0.2244311580509068 0.09983158025340677 0.2717072859914039 1.0 0.27001725701174056 -0.29692665311172317 0.22804080687966718;

56. -0.0913459631861964 -0.40863386078084674 -0.05233410268262804 -0.20827353172454463 0.8024623178223143 0.8647315172782226 0.8038142580255461 -0.4687807659526227 0.83071301235432 -0.4662151147094583 -0.8265130380449413 0.7862050382555064 0.560057691866568 -0.702248083000251 -0.16533259782918086 0.6663485659469947 0.7358532579825505 0.40852921511485196 0.8800697814778186 0.760467350839902 -0.8091181729710225 -0.07348600755610393 -0.7002292256328049 0.8003914687227348 -0.37901655503666365 -0.023563169554216064 -0.08069963799368177 0.8148259678244478 0.860089615143668 0.7417180684967833 0.7220412638828693 0.7454440362120325 0.8883720076480819 0.8204946550427406 0.5011229403021128 0.6450504898544621 0.7592575208855366 0.8460421440310872 0.6872378616826157 -0.8020299143584565 -0.6618830675342675 -0.7973348683026327 -0.6496519859609511 -0.6493375259025363 -0.722148534178133 0.6005785697996507 0.27001725701174056 1.0 -0.680068364658176 0.8717271102107073;

57. 0.16536797295920186 0.48331852305308454 0.1920784365868285 0.38036937261460185 -0.6808164813443078 -0.6454307579456039 -0.7577133900525099 0.34503499207551847 -0.6428566762001433 0.3177545534940276 0.5901749710386411 -0.5313789101031088 -0.38068970552689363 0.6529757921449781 0.17446130311669544 -0.44704124220207364 -0.5460306438553018 -0.36358560515818883 -0.7269164361145732 -0.518530793279248 0.6391619747186505 0.0007919722923224609 0.5472071839464567 -0.6380888734497725 0.18385629246032484 -0.04931562503170856 0.20332836460606574 -0.5112905932629636 -0.5623713364405777 -0.7234259355110526 -0.44604775648721606 -0.6207910711744009 -0.7748651528135505 -0.45364537801809346 -0.4330245797755244 -0.24845293963253018 -0.7379166940685845 -0.6198590621037185 -0.5905525653378438 0.7445288921547281 0.5841612244195863 0.6382170709123108 0.499196611203586 0.6466467154531956 0.506467978888153 -0.7087748613931263 -0.29692665311172317 -0.680068364658176 1.0 -0.7571951671938293;

58. -0.01650931041916315 -0.3685366218425072 -0.16119479829430602 -0.3110679915778835 0.8424111278994232 0.9121980077070948 0.7579748854439583 -0.6150185691205592 0.7821165308828467 -0.4426138682026305 -0.8390531077005865 0.8291020524414462 0.5154724386129322 -0.8170554181878835 -0.059902512645132196 0.7770193461659242 0.8307406791898616 0.5761845676473248 0.9099674574423138 0.8203827949219864 -0.788031202565023 -0.22594471554724388 -0.7279216576904707 0.8703490092121895 -0.43067278925045654 0.07396837297207608 0.05108876338772324 0.7482550468438786 0.848154832877349 0.8373025176156048 0.7000803137909591 0.7762300082723728 0.8943534432148299 0.7917897683763822 0.5040678736527299 0.5778217359651399 0.7951390675050626 0.9045641589721176 0.6827379302132944 -0.846412718582176 -0.7356666359060426 -0.8612451731888968 -0.7283740543848112 -0.7234379545805272 -0.7653307640649273 0.7706770786708962 0.22804080687966718 0.8717271102107073 -0.7571951671938293 1.0];

59.

60.

61.

62.

63. % sigma = [ 1.000000 -0.118365 0.628995 -0.884607 0.863786 0.538263 0.867237 0.865734 0.646887 0.815381 ;

64. % -0.118365 1.000000 0.216864 0.033256 -0.049985 0.109708 -0.296135 -0.132362 0.265592 -0.161195 ;

65. % 0.628995 0.216864 1.000000 -0.734416 0.672728 0.679158 0.603983 0.551794 0.628441 0.757975 ;

66. % -0.884607 0.033256 -0.734416 1.000000 -0.853928 -0.657973 -0.841113 -0.779749 -0.732869 -0.839053 ;

67. % 0.863786 -0.049985 0.672728 -0.853928 1.000000 0.645029 0.804883 0.881694 0.735856 0.829102 ;

68. % 0.538263 0.109708 0.679158 -0.657973 0.645029 1.000000 0.388410 0.462004 0.840950 0.515472;

69. % 0.867237 -0.296135 0.603983 -0.841113 0.804883 0.388410 1.000000 0.766525 0.492746 0.870349 ;

70. % 0.865734 -0.132362 0.551794 -0.779749 0.881694 0.462004 0.766525 1.000000 0.553639 0.797180;

71. % 0.646887 0.265592 0.628441 -0.732869 0.735856 0.840950 0.492746 0.553639 1.000000 0.577822;

72. % 0.815381 -0.161195 0.757975 -0.839053 0.829102 0.515472 0.870349 0.797180 0.577822 1.000000];

73.

74. % [ 1.000000 0.843782 0.865288 0.164320 0.834586;

75. % 0.843782 1.000000 0.835603 0.332076 0.906777;

76. % 0.865288 0.835603 1.000000 0.017336 0.860707;

77. % 0.164320 0.332076 0.017336 1.000000 0.356630;

78. % 0.834586 0.906777 0.860707 0.356630 1.000000];

79. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

80. % 0 1 2 3 4

81. %0 1.000000 0.807255 0.903264 0.097237 0.881655

82. %1 0.807255 1.000000 0.882653 0.424451 0.915458

83. %2 0.903264 0.882653 1.000000 0.120237 0.926073

84. %3 0.097237 0.424451 0.120237 1.000000 0.316853

85. %4 0.881655 0.915458 0.926073 0.316853 1.000000

86. % 0 1 2 3 4

87. %0 1.000000 0.856590 0.886241 0.150745 0.850857

88. %1 0.856590 1.000000 0.850237 0.313821 0.917834

89. %2 0.886241 0.850237 1.000000 0.028393 0.865776

90. %3 0.150745 0.313821 0.028393 1.000000 0.363710

91. %4 0.850857 0.917834 0.865776 0.363710 1.000000

92. % задаем размер выходного временного ряда

93. n_out = 365;

94. % задаем вид распределения (нормальное)

95. %distribution = 'normal';

96. %вызываем функцию

97. %time_series(n_out, distribution, sigma);

98. % после вызова функции данные лежат в файле time_series_data.dat в той же

99. % папке что и функция

100. % % % данные из файла можно прочитать следующим образом

101. %filename = strcat('time_series_data', '.dat');

102. %TS = dlmread(filename);

103.

104. % %ex2

105. % % задаем мат.ожидание

106. % mu = [1,2];

107. %вызываем функцию

108. %time_series(n_out, distribution, sigma, mu);

109. %

110. % %ex3

111. % % задаем корреляционную матрицу

112. % sigma = [1 0.4 0.3;

113. % 0.4 1 0.5;

114. % 0.3 0.5 1];

115. % % задаем размер выходного временного ряда

116. % n_out = 100;

117. % % задаем вид распределения (нормальное)

118. distribution = 'student';

119. % %вызываем функцию

120. time_series(n_iter,n_out, distribution, sigma);

121. %

122. % % задаем число степеней свободы для распределения стЬюдента

123. % df = 5;

124. % %вызываем функцию

125. % time_series(n_out, distribution, sigma, df);

% Функция строит синтетические данные по заданной матрице корреляции

% Функция принимает на вход параметры

% n_iter -- количество итераций в цикле

% n_out -- длина выходного массива

% distribution -- тип распределения, принимает значения

% 'normal' -- нормальное распределение

% 'student' -- распределение Стьюдента

% sigma -- корреляционная матрица

% par -- дополнительный (необязательный) параметр

% для нормального распределения - мат.ожидание (единичный вектор

% по умолчанию)

% для стьюдента - число степеней свободы (2 по умолчанию)

function time_series(n_iter, n_out, distribution, sigma, par)

narg = nargin;

if (narg < 4)

error('Вы ввели не все параметры функции (n_out, distribution, sigma)')

end

for iter = 1:n_iter

if (strcmp(distribution, 'student'))

if (narg == 4)

par = 2;

end

TS = mvtrnd(sigma, par, n_out);

else

if (narg == 4)

sz = size(sigma, 1);

par = ones(sz, 1);

end

TS = mvnrnd(par, sigma, n_out);

end

% запись в файл

filename = sprintf('time_series_data_%u_', iter);

filename = strcat(filename, '.dat');

dlmwrite(filename, TS, 'delimiter', ',', 'precision', '%.6e');

end

end

3. Построения графов рынка и эксперименты(PYTHON)

def cortest(n,koef):

data = pd.read_csv("C:\\Users\\Слава\\Documents\\MATLAB\\time_series_data_"+str(n)+"_.dat", sep=",", header=None) #Считали

corrmat = data.corr()#матрица пирсона

#Граф Пирсона

a=corrmat

# mat_1_0=a.copy(deep=True)

# for c in range(len(a[1])):

# for b in range(len(a[1])):

# if a[c][b]>0.9:

# mat_1_0[c][b]=1

# else:

# mat_1_0[c][b]=0

#print(mat_1_0)

#Матрица Спирмена

testV=koef#Спирман

testV3=2*math.sin(math.pi/6*testV)#Пирсон

testV4=2/math.pi*(math.asin(testV3))#Кендал

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if a[c][b]>koef:

mat_1_02[c][b]=1

else:

mat_1_02[c][b]=0

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if a[c][b]>testV4:

mat_1_03[c][b]=1

else:

mat_1_03[c][b]=0

#print(mat_1_03)

#Сравнение корреляций

e=mat_1_02-mat_1_03

#print(e)

n=0

m=0

for c in range(len(a[1])):

for b in range(len(a[1])):

if e[c][b]==0:

m=m+1

else:

n=n+1

m=m-len(a)

rez=m/(n+m)

print(rez)

return(rez)

def corFIND_OPT(n,koef):

data = pd.read_csv("C:\\Users\\Слава\\Documents\\MATLAB\\time_series_data_"+str(n)+"_.dat", sep=",", header=None) #Считали

corrmat = data.corr()#матрица пирсона

#Граф Пирсона

a=corrmat

top_rez=0

top_num=0

mass=[]

# mat_1_0=a.copy(deep=True)

# for c in range(len(a[1])):

# for b in range(len(a[1])):

# if a[c][b]>0.9:

# mat_1_0[c][b]=1

# else:

# mat_1_0[c][b]=0

#print(mat_1_0)

for i in range(100):

#Матрица Спирмена

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_stirl[c][b]>koef:

mat_1_02[c][b]=1

else:

mat_1_02[c][b]=0

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_kend[c][b]>(i/100):

mat_1_03[c][b]=1

else:

mat_1_03[c][b]=0

#print(mat_1_03)

#Сравнение корреляций

#print(mat_stirl,mat_kend)

e=mat_1_02-mat_1_03

#print(e)

n=0

m=0

for c in range(len(a[1])):

for b in range(len(a[1])):

if e[c][b]==0:

m=m+1

else:

n=n+1

m=m-len(a)

rez=m/(n+m)

print(i,rez)

mass.append(rez)

if rez>top_rez:

top_rez=rez

top_num=(i/100)

return(top_rez,top_num,mass)

def corOPTIMIZE(n,koef):

data = pd.read_csv("C:\\Users\\Слава\\Documents\\MATLAB\\time_series_data_"+str(n)+"_.dat", sep=",", header=None) #Считали

corrmat = data.corr()#матрица пирсона

#Граф Пирсона

a=corrmat

top_rez=0

top_num1=0

top_num=0

# mat_1_0=a.copy(deep=True)

# for c in range(len(a[1])):

# for b in range(len(a[1])):

# if a[c][b]>0.9:

# mat_1_0[c][b]=1

# else:

# mat_1_0[c][b]=0

#print(mat_1_0)

for i in range(10):

#Матрица Спирмена

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_stirl[c][b]>koef:

mat_1_02[c][b]=1

else:

mat_1_02[c][b]=0

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_kend[c][b]>i/10:

mat_1_03[c][b]=1

else:

mat_1_03[c][b]=0

#print(mat_1_03)

#Сравнение корреляций

#print(mat_stirl,mat_kend)

e=mat_1_02-mat_1_03

#print(e)

n=0

m=0

for c in range(len(a[1])):

for b in range(len(a[1])):

if e[c][b]==0:

m=m+1

else:

n=n+1

m=m-len(a)

rez=m/(n+m)

print(i/10,rez)

if rez>top_rez:

top_rez=rez

top_num1=(i/10)

########################################################################## условие вверх-вниз

for i in range(1):

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_stirl[c][b]>koef:

mat_1_02[c][b]=1

else:

mat_1_02[c][b]=0

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_kend[c][b]>i/100+top_num1+0.01:

mat_1_03[c][b]=1

else:

mat_1_03[c][b]=0

#print(mat_1_03)

#Сравнение корреляций

#print(mat_stirl,mat_kend)

e=mat_1_02-mat_1_03

#print(e)

n=0

m=0

for c in range(len(a[1])):

for b in range(len(a[1])):

if e[c][b]==0:

m=m+1

else:

n=n+1

m=m-len(a)

rez=m/(n+m)

#print(i/100+top_num1+0.01,rez)

if rez<top_rez:

top_num1=top_num1-0.1

###########################

for i in range(10):

#Матрица Спирмена

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_stirl[c][b]>koef:

mat_1_02[c][b]=1

else:

mat_1_02[c][b]=0

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_kend[c][b]>i/100+top_num1:

mat_1_03[c][b]=1

else:

mat_1_03[c][b]=0

#print(mat_1_03)

#Сравнение корреляций

#print(mat_stirl,mat_kend)

e=mat_1_02-mat_1_03

#print(e)

n=0

m=0

for c in range(len(a[1])):

for b in range(len(a[1])):

if e[c][b]==0:

m=m+1

else:

n=n+1

m=m-len(a)

rez=m/(n+m)

#print(i/100+top_num1,rez)

if rez>top_rez:

top_rez=rez

top_num=(i/100+top_num1)

if top_num==0:

top_num=top_num1+0.1

########################################

return(top_rez,top_num)

def corFIND_OPT_Cliq(n,koef):

data = pd.read_csv("C:\\Users\\Слава\\Documents\\MATLAB\\time_series_data_"+str(n)+"_.dat", sep=",", header=None) #Считали

corrmat = data.corr()#матрица пирсона

#Граф Пирсона

a=corrmat

top_rez=0

top_num=0

mass=[]

# mat_1_0=a.copy(deep=True)

# for c in range(len(a[1])):

# for b in range(len(a[1])):

# if a[c][b]>0.9:

# mat_1_0[c][b]=1

# else:

# mat_1_0[c][b]=0

#print(mat_1_0)

for i in range(100):

#Матрица Спирмена

G=nx.Graph()

G2=nx.Graph()

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_stirl[c][b]>koef:

mat_1_02[c][b]=1

G.add_edge(c,b)

else:

mat_1_02[c][b]=0

from networkx.algorithms.approximation import clique

S_cliq=(clique.max_clique(G))

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_kend[c][b]>(i/100):

mat_1_03[c][b]=1

G2.add_edge(c,b)

else:

mat_1_03[c][b]=0

from networkx.algorithms.approximation import clique

K_cliq=(clique.max_clique(G2))

#print(mat_1_03)

#Сравнение корреляций

#print(mat_stirl,mat_kend

rez=1-abs((len(S_cliq)-len(K_cliq))/(max(len(S_cliq),len(K_cliq))))

print(i,rez)

mass.append(rez)

if rez>top_rez:

top_rez=rez

top_num=(i/100)

return(top_rez,top_num,mass)

def cortest_Cliq(n,koef):

data = pd.read_csv("C:\\Users\\Слава\\Documents\\MATLAB\\time_series_data_"+str(n)+"_.dat", sep=",", header=None) #Считали

corrmat = data.corr()#матрица пирсона

#Граф Пирсона

a=corrmat

top_rez=0

top_num=0

mass=[]

# mat_1_0=a.copy(deep=True)

# for c in range(len(a[1])):

# for b in range(len(a[1])):

# if a[c][b]>0.9:

# mat_1_0[c][b]=1

# else:

# mat_1_0[c][b]=0

#print(mat_1_0)

for i in range(1):

#Матрица Спирмена

G=nx.Graph()

G2=nx.Graph()

mat_stirl=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_stirl[c][b]=scipy.stats.pearsonr(data[c],data[b])[0]

#print(mat_stirl)

#Граф Спирмена

mat_1_02=mat_stirl.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_stirl[c][b]>koef:

mat_1_02[c][b]=1

G.add_edge(c,b)

else:

mat_1_02[c][b]=0

from networkx.algorithms.approximation import clique

S_cliq=(clique.max_clique(G))

#print(mat_1_02)

#Матрица Кэндалла

mat_kend=corrmat.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

mat_kend[c][b]=scipy.stats.kendalltau(data[c],data[b])[0]

#print(mat_kend)

#Граф Кенделла

mat_1_03=mat_kend.copy(deep=True)

for c in range(len(a[1])):

for b in range(len(a[1])):

if mat_kend[c][b]>0.9:

mat_1_03[c][b]=1

G2.add_edge(c,b)

else:

mat_1_03[c][b]=0

from networkx.algorithms.approximation import clique

K_cliq=(clique.max_clique(G2))

#print(mat_1_03)

#Сравнение корреляций

#print(mat_stirl,mat_kend

rez=1-abs((len(S_cliq)-len(K_cliq))/(max(len(S_cliq),len(K_cliq))))

print(rez)

return(rez)

opt_list=[]

for j in range(4):

for i in range(100):

opt_list.append(testscore)

testscore=corOPTIMIZE(i+2,0.65+(j/10))

print(testscore,0.65+(j/10))

print(opt_list)

my_file = open("xyy.txt", "w")

my_file.write(str(opt_list))

my_file.close()

for j in range(4):

koef=j/10+0.6

print (koef)

opt_list_part=[]

for i in range(100):

opt_list_part.append(opt_list[i][0])

dataxx=opt_list_part

#dataxx = pd.read_csv("listfile3.txt", sep=",", header=None)

sorted(dataxx)

n_binst=1000

print(opt_list_part)

histogram(dataxx, 25, cumulative=False, x_label = "", y_label = "", title = "")

koef=0.95

rezult=[]

for i in range(5000):

x=cortest_Cliq(i+1,koef)

rezult.append(x)

with open('listfile.txt', 'w') as filehandle:

for listitem in rezult:

filehandle.write('%s\n' % listitem)

for j in range(4):

koef=j/10+0.65

rezult=[]

for i in range(10000):

x=cortest(i+1,koef)

rezult.append(x)

with open('listfile'+str(j)+'.txt', 'w') as filehandle:

for listitem in rezult:

filehandle.write('%s\n' % listitem)

with open('listfile.txt', 'w') as filehandle:

for listitem in rezult:

filehandle.write('%s\n' % listitem)

#dataxx=test3

dataxx = pd.read_csv("listfile3.txt", sep=",", header=None)

sorted(dataxx)

n_binst=1000

def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""):

_, ax = plt.subplots()

ax.hist(data, bins = n_bins, cumulative = cumulative, color = '#539caf')

ax.set_ylabel(y_label)

ax.set_xlabel(x_label)

ax.set_title(title)

print(dataxx)

histogram(dataxx, 1000, cumulative=False, x_label = "", y_label = "", title = "Корреляция Спирмана= 0.95||Корреляция Кендэла=0.8")

def lineplot(x_data, y_data, x_label="", y_label="", title=""):

# Create the plot object

_, ax = plt.subplots()

# Plot the best fit line, set the linewidth (lw), color and

# transparency (alpha) of the line

ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)

# Label the axes and provide a title

ax.set_title(title)

ax.set_xlabel(x_label)

ax.set_ylabel(y_label)

lineplot(range(100),test3)

for i in range(4):

test,test2,test3=corFIND_OPT_Cliq(2,0.65+i/10)

title_S="Схожесть графов при корреляции Спирмена"+(str(i/10+0.65))

lineplot(range(100),test3,x_label="Порог Кендэла", y_label="Коэффициент схожести графов", title=title_S)

def scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False):

# Create the plot object

_, ax = plt.subplots()

# Plot the data, set the size (s), color and transparency (alpha)

# of the points

ax.scatter(x_data, y_data, s = 10, color = color, alpha = 0.75)

if yscale_log == True:

ax.set_yscale('log')

# Label the axes and provide a title

ax.set_title(title)

ax.set_xlabel(x_label)

ax.set_ylabel(y_label)

dataxx=[]

dataxy=[]

for i in range(100):

dataxx.append(opt_list[i][0])

dataxy.append(opt_list[i][1])

#dataxx = pd.read_csv("listfile3.txt", sep=",", header=None)

n_binst=1000

x_data=dataxx

y_data=dataxy

scatterplot(x_data, y_data, x_label="Схожесть", y_label="Порог Кендэла", title="Корреляция Спирмена=0.65", color = "r", yscale_log=False)

dataxx = pd.read_csv("listfile3.txt", sep=",", header=None)

sorted(dataxx[0])

n_binst=1000

def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""):

_, ax = plt.subplots()

ax.hist(data, bins = n_bins, cumulative = cumulative, color = '#539caf')

ax.set_ylabel(y_label)

ax.set_xlabel(x_label)

ax.set_title(title)

histogram(dataxx[0], 500, cumulative=False, x_label = "Коэффицент близости графов", y_label = "Частота", title = "Корреляция Спирмана= 0.65||Корреляция Кендэла=0.465")

Размещено на Allbest.ru