Minepy与MIC简介

minepy是基于最大互信息的非参数勘探（MINE，Maximal Information-based Nonparametric Exploration）的一个python库。

许多数据集包括成千上万个变量对，在我们不知道它们有哪些关系的情况下，如何有效地识别重要的关系呢？
最大互信息系数（MIC，Maximal Information Coefficient）与MINE专门针对快速挖掘多维度数据，可以衡量两个变量的相关性。

D. Reshef, Y. Reshef], H. Finucane, S. Grossman, G. McVean, P. Turnbaugh, E. Lander, [[M. Mitzenmacher, P. Sabeti]]. Detecting novel associations in large datasets. Science 334, 6062 (2011).

MIC计算分为三个步骤：

给定i、j，对XY构成的散点图进行i列j行网格化，并求出最大的互信息值
对最大的互信息值进行归一化
选择不同尺度下互信息的最大值作为MIC值

Minepy的Python API

在Linux中，minepy可以直接通过pip install下载。（Mac可以用brew install下载）。
官网中给出的例子如下：

import numpy as np
from minepy import MINE

def print_stats(mine):
    print "MIC", mine.mic()
    print "MAS", mine.mas()
    print "MEV", mine.mev()
    print "MCN (eps=0)", mine.mcn(0)
    print "MCN (eps=1-MIC)", mine.mcn_general()
    print "GMIC", mine.gmic()
    print "TIC", mine.tic()

x = np.linspace(0, 1, 1000)
y = np.sin(10 * np.pi * x) + x
mine = MINE(alpha=0.6, c=15, est="mic_approx")
mine.compute_score(x, y)

print "Without noise:"
print_stats(mine)
print

np.random.seed(0)
y +=np.random.uniform(-1, 1, x.shape[0]) # add some noise
mine.compute_score(x, y)

print "With noise:"
print_stats(mine)

其中，compute_score计算特征矩阵，mic指最大互信息系数。

参考：
http://www.exploredata.net/
https://minepy.readthedocs.io/en/latest/python.html