Skipy -Assoziationsgrad

Python ist eine bekannte Programmiersprache und bietet eine Vielzahl von Bibliotheken für das Schreiben verschiedener Softwareprogramme in dieser Sprache. Es ist eine objektorientierte, strukturierte und funktionale Computersprache, und seine Anwendung ist nicht nur auf bestimmte Typen beschränkt, was es zu einer allgemeinen Sprache macht. Das Drehbuch der Sprache ähnelt auch der englischen Sprache, und infolgedessen hat Python den Ruf, eine anfängerfreundliche Programmiersprache zu sein. Für Anwendungen wie wissenschaftliches und technisches Computer, Integration, Signal- und Bildverarbeitung sowie die Interpolation Python Library Scipy, die sich mit all diesen spezifischen Funktionen befasst.

Scipy hat ein Attribut oder eine Funktion mit dem Namen „Association ().Diese Funktion wird definiert, um zu wissen, wie sehr die beiden Variablen miteinander zusammenhängen, was bedeutet, dass Assoziation ein Maß dafür ist.

Verfahren

Das Verfahren des Artikels wird in Schritten erläutert. Zuerst erfahren wir die Funktion Association () und dann erfahren wir, welche Module aus der Scipy mit dieser Funktion arbeiten müssen. Dann erfahren wir die Syntax der Association () -Funktion im Python-Skript und machen dann einige Beispiele, um praktische Arbeitserfahrungen zu sammeln.

Syntax

Die folgende Zeile enthält die Syntax für den Funktionsaufruf oder die Deklaration der Assoziationsfunktion:

$ scipy. Statistiken. Kontingenz. Assoziation (beobachtet, Methode = 'Cramer', Korrektur = Falsch, lambda_ = keine)

Lassen Sie uns nun die Parameter diskutieren, die für diese Funktion erforderlich sind. Einer der Parameter ist das „Beobachtete“, ein Array-ähnlicher Datensatz oder ein Array, das die Werte für den Assoziationstest unter Beobachtung aufweist. Dann kommt die wichtige Parametelmethode.„Diese Methode muss bei der Verwendung dieser Funktion angegeben werden, aber der Standardwert lautet„ Cramer."Die Funktion hat zwei weitere Methoden:" Tschuprow "und" Pearson ".„Alle diese Funktionen liefern also die gleichen Ergebnisse.

Beachten Sie, dass wir die Assoziationsfunktion nicht mit dem Korrelationskoeffizienten des Pearson verwechseln sollten andere.

Rückgabewert

Die Assoziationsfunktion gibt den statistischen Wert für den Test zurück, und der Wert hat standardmäßig den Datentyp "Float". Wenn die Funktion einen Wert von “1 zurückgibt.0, “Dies zeigt an, dass die Variablen eine 100% ige Assoziation aufweisen, während ein Wert von„ 0).1 ”oder„ 0.0 ”zeigt an, dass die Variablen wenig oder gar keine Assoziation haben.

Beispiel # 01

Bisher sind wir zu dem Diskussionspunkt gekommen, dass der Verein den Grad der Beziehung zwischen den Variablen berechnet. Wir werden diese Assoziationsfunktion verwenden und die Ergebnisse im Vergleich zu unserem Diskussionspunkt beurteilen. Um das Programm zu schreiben, öffnen wir die „Google COUCK“ und geben ein separates und eindeutiges Notizbuch aus der Zusammenarbeit an, um das Programm in zu schreiben. Der Grund für die Nutzung dieser Plattform ist, dass es sich um eine Online -Python -Programmierungsplattform handelt und alle Pakete im Voraus installiert sind.

Wann immer wir ein Programm in einer Programmiersprache schreiben, starten wir das Programm, indem wir zuerst die Bibliotheken in es importieren. Dieser Schritt hält wichtig, da diese Bibliotheken die Backend-Informationen für die Funktionen, die diese Bibliotheken haben, durch den Import dieser Bibliotheken gespeichert sind. Importieren.

Dann wird eine andere Bibliothek "scipy" sein und aus diesem Scipy -Paket werden wir die "Statistiken" importieren. Notfall als Assoziation “, damit wir die Assoziationsfunktion mit diesem importierten Modul„ Association “rufen können.„Wir haben jetzt alle erforderlichen Module in das Programm integriert. Definieren Sie ein Array mit Dimension 3 × 2 mit der Numpy Array -Deklarationsfunktion. Diese Funktion verwendet Numpys „NP“ als Präfix für Array () als „NP. Array ([[2, 1], [4, 2], [6, 4]]).Wir werden dieses Array als "beobachtete_array" speichern."Die Elemente dieses Arrays sind" [[2, 1], [4, 2], [6, 4]] ", was zeigt, dass das Array aus drei Zeilen und zwei Spalten besteht.

Jetzt werden wir die Association () -Methode aufrufen und in den Parametern der Funktion die „beobachtete_array“ und die Methode weitergeben, die wir als „Cramer“ angeben werden."Dieser Funktionsaufruf sieht aus wie" Assoziation (beobachtete_Array, method = "Cramer") ". Die Ergebnisse werden gespeichert und dann mit der Funktion print () angezeigt. Der Code und die Ausgabe für dieses Beispiel werden wie folgt angezeigt:

Der Rückgabewert des Programms lautet „0.0690 “, in dem die Variablen einen geringeren Zusammenhang miteinander haben.

Beispiel # 02

Dieses Beispiel zeigt, wie wir die Assoziationsfunktion verwenden und die Assoziation der Variablen mit zwei verschiedenen Spezifikationen ihres Parameters berechnen können, i.e., "Methode."Integrieren Sie die" Scipy ". Stat. Notfallattribut als "Assoziation" und das Attribut des Numpy als "NP". Erstellen Sie ein 4 × 3 -Array für dieses Beispiel mit der Numpy Array Deklaration -Methode, i.e., “NP. Array ([[100,120, 150], [203,222, 322], [420,660, 700], [320, 12, 210]])).Übergeben Sie dieses Array an die Association () -Methode und geben Sie den Parameter „Methode“ für diese Funktion zum ersten Mal als "tschuprow" und das zweite Mal als "Pearson" an.”

Dieser Methodenaufruf sieht folgendermaßen aus: (beobachtete_array, method = ”tschuprow“) und (beobachtete_array, method = ”Pearson“). Der Code für diese beiden Funktionen ist unten in Form eines Snippets beigefügt.

Beide Funktionen haben den statistischen Wert für diesen Test zurückgegeben, der das Ausmaß der Assoziation zwischen den Variablen im Array zeigt.

Abschluss

Dieser Leitfaden zeigt die Methoden für die Spezifikationen des Parametels von Scipy Association () () basierend auf den drei verschiedenen Assoziationstests, die diese Funktion enthält: „Tschuprow“, „Pearson“ und „Cramer“.„Alle diese Methoden ergeben fast die gleichen Ergebnisse, wenn sie auf dieselben Beobachtungsdaten oder Array angewendet werden.