Stopień stowarzyszenia Scipy

Python to znany język programowania i oferuje różnorodne biblioteki do pisania różnych programów w tym języku. Jest to obiektowy, ustrukturyzowany i funkcjonalny język komputerowy, a jego aplikacja nie ogranicza się tylko do określonych typów, co czyni go językiem ogólnym. Skrypt języka jest również podobny do języka angielskiego, w wyniku czego Python ma reputację bycia językiem programistycznym dla początkujących. W przypadku zastosowań takich jak obliczenia naukowe i techniczne, integracja, przetwarzanie sygnału i obrazu oraz interpolacja Python Library Scipy, która dotyczy wszystkich takich konkretnych funkcji.

SCIPY ma atrybut lub funkcję o nazwie „stowarzyszenie ().„Ta funkcja jest zdefiniowana, aby wiedzieć, ile te dwie zmienne są ze sobą powiązane, co oznacza, że ​​powiązanie jest miarą tego, ile dwie zmienne lub zmienne w zestawie danych dotyczą ze sobą.

Procedura

Procedura artykułu zostanie wyjaśniona w krokach. Najpierw dowiemy się o funkcji stowarzyszenia (), a następnie dowiemy się, jakie moduły z Scipy są zobowiązane do pracy z tą funkcją. Następnie dowiemy się o składni funkcji stowarzyszenia () w skrypcie Python, a następnie wykonamy przykłady, aby uzyskać praktyczne doświadczenie zawodowe.

Składnia

Poniższy wiersz zawiera składnię wywołania funkcji lub deklarację funkcji asocjacji:

$ scipy. statystyki. przypadkowość. stowarzyszenie (obserwowane, metoda = „cramer”, korekcja = false, lambda_ = brak)

Omówmy teraz parametry wymagane przez tę funkcję. Jednym z parametrów jest „obserwowany”, który jest zestawem danych podobnych do tablicy lub tablicy, która ma wartości obserwacyjne dla testu asocjacyjnego. Potem pojawia się ważny parametr „Metoda.„Ta metoda należy określić podczas korzystania z tej funkcji, ale jej wartością domyślną jest„ Cramer.„Funkcja ma dwie inne metody:„ Tschuprow ”i„ Pearson.”Tak więc wszystkie te funkcje dają te same wyniki.

Należy pamiętać, że nie powinniśmy mylić funkcji skojarzenia ze współczynnikiem korelacji Pearsona, ponieważ funkcja ta mówi tylko, czy zmienne mają ze sobą korelację, podczas gdy skojarzenie mówi, ile lub w jakim stopniu zmienne nominalne są powiązane z każdą Inny.

Wartość zwracana

Funkcja asocjacji zwraca wartość statystyki dla testu, a wartość ma domyślnie „pływakowy”. Jeśli funkcja zwraca wartość „1.0, ”oznacza to, że zmienne mają 100% skojarzenie, podczas gdy wartość„ 0.1 ”lub„ 0.0 ”wskazuje, że zmienne mają niewielkie lub żadne powiązanie.

Przykład nr 01

Do tej pory doszliśmy do punktu dyskusji, że stowarzyszenie oblicza stopień relacji między zmiennymi. Będziemy używać tej funkcji asocjacji i oceniamy wyniki w porównaniu z naszym punktem dyskusji. Aby rozpocząć pisanie programu, otworzymy „Google COLLAB” i określamy osobny i unikalny notatnik z kolab. Powodem korzystania z tej platformy jest to, że jest to internetowa platforma programowa Python i ma wcześniej zainstalowane wszystkie pakiety.

Ilekroć piszemy program w dowolnym języku programowania, rozpoczynamy program, najpierw zaimporując biblioteki do niego. Ten krok ma znaczenie, ponieważ biblioteki te mają w nich przechowywane informacje zaplecza dla funkcji, które te biblioteki mają tak, importując te biblioteki, pośrednio dodajemy informacje do programu w celu prawidłowego funkcjonowania wbudowanych funkcji. Zaimportuj bibliotekę „Numpy” w programie jako „NP”, ponieważ będziemy stosować funkcję stowarzyszenia do elementów tablicy, aby sprawdzić swoje stowarzyszenie.

Następnie inną biblioteką będzie „Scipy”, a z tego pakietu Scipy zaimportujemy „Statystyki. awaryjność jako stowarzyszenie ”, abyśmy mogli wywołać funkcję stowarzyszenia za pomocą tego importowanego modułu„ Stowarzyszenie.„Teraz zintegrowaliśmy wszystkie wymagane moduły z programem. Zdefiniuj tablicę o wymiarach 3 × 2, stosując funkcję deklaracji tablicy Numpy. Ta funkcja wykorzystuje „NP” Numpy jako prefiks do Array () jako „NP. tablica ([[2, 1], [4, 2], [6, 4]]).„Będziemy przechowywać tę tablicę jako„ obserwowany_array.„Elementy tej tablicy to„ [[2, 1], [4, 2], [6, 4]] ”, który pokazuje, że tablica składa się z trzech wierszy i dwóch kolumn.

Teraz nazwiemy metodę stowarzyszenia (), a w parametrach funkcji przekazamy „obserwowaną_arze” i metodę, którą określimy jako „Cramer.„To wywołanie funkcji będzie wyglądało jak„ stowarzyszenie (obserwowane_array, metodę = „cramer”) ”. Wyniki będą przechowywane, a następnie wyświetlone za pomocą funkcji print (). Kod i dane wyjściowe dla tego przykładu są pokazane w następujący sposób:

Wartość zwracana programu wynosi „0.0690 ”, który stwierdza, że ​​zmienne mają niższy stopień ze sobą powiązania.

Przykład nr 02

Ten przykład pokaże, w jaki sposób możemy użyć funkcji asocjacji i obliczyć powiązanie zmiennych z dwiema różnymi specyfikacjami jej parametru, i.mi., "metoda.”Zintegruj„ Scipy. Stat. Atrybut awaryjny ”jako„ skojarzenie ”i atrybut Numpy odpowiednio jako„ NP ”. Utwórz tablicę 4 × 3 dla tego przykładu za pomocą metody deklaracji tablicy Numpy, i.mi., „NP. tablica ([[100,120, 150], [203,222, 322], [420,660, 700], [320,110, 210]])).„Przekaż tę tablicę do metody stowarzyszenia () i określ parametr„ Metoda ”dla tej funkcji po raz pierwszy jako„ tschuprow ”, a drugi raz jako„ Pearson."

To wywołanie metody będzie wyglądało tak: (obserwowane_array, metodę = ”tschuprow”) i (obserwowane_array, metodę = „Pearson”). Kod dla obu tych funkcji jest dołączony poniżej w postaci fragmentu.

Obie funkcje zwróciły wartość statystyczną dla tego testu, co pokazuje zasięg związku między zmiennymi w tablicy.

Wniosek

Niniejszy przewodnik przedstawia metody specyfikacji parametru SCIPY's Association () „Metoda” na podstawie trzech różnych testów asocjacji, które ta funkcja zapewnia: „TSCHUPROW”, „Pearson” i „Cramer Cramer.„Wszystkie te metody dają prawie takie same wyniki, gdy zastosowano do tych samych danych lub tablicy obserwacji.