python关联分析如何可视化,灰色关联分析python实例

  python关联分析如何可视化,灰色关联分析python实例

  今天,边肖以灰色系统为例,介绍Python实现灰色关联分析的方法。灰色关联分析为系统的发展变化提供了一种定量的度量,非常适合于动态过程分析。有兴趣的朋友来看看吧。

  00-1010代码下载数据,实现灰色关联分析结果的可视化。在参考文章之前,我们需要在比赛过程中使用Python实现灰色关联分析。在网上搜索后,我们才意识到两列之间的关系,于是我把它改写成用熊猫里的计算工具直接计算人系数的形式,可以计算整个矩阵,并给出可视化效果。效果请看实现。

  

目录

  对于两个系统之间的因素,它们与时间或不同对象的相关性的度量称为关联度。在系统开发过程中,如果两个因素的变化趋势一致,即同步变化程度高,即两个因素的关联程度高;反之,则更低。因此,灰色关联分析法是根据因素之间发展趋势的相似性或差异性来衡量因素之间关联程度的一种方法,即“灰色关联度”。

  

灰色关联分析法

  灰色系统理论提出了子系统灰色关联度分析的概念,意在通过一定的方法寻求系统中子系统(或因素)之间的数量关系。因此,灰色关联分析为系统的发展变化提供了一种定量的度量,非常适合于动态过程分析。

  

简介

  参考序列和比较序列是无量纲的,以计算相关系数并找到相关度。在这里,我给出第三步的实现方法。请自行处理无量纲。这些数据是UCI的红酒质量数据集。

  

计算步骤

  

代码实现

  进口熊猫作为pd

  将numpy作为np导入

  将matplotlib.pyplot作为plt导入

  %matplotlib内联

  #定义下载数据的函数

  def ReadAndSaveDataByPandas(target _ URL=无,file_save_path=无,save=假):

  if target_url!=无:

  target _ URL=( http://archive . ics . UCI . edu/ml/machine-learning-databases/wine-quality/wine quality-red . CSV))

  if file_save_path!=无:

  file _ save _ path=/home/font Tian/Data/UCI/Glass/Glass . CSV

  wine=pd.read_csv(target_url,header=0,sep=;)

  if save==True:

  wine.to_csv(文件保存路径,索引=假)

  回赠葡萄酒

  #将数据从硬盘读入内存

  WINE=PD . read _ CSV(/home/font/Data/UCI/WINE/WINE . CSV )

  wine.head()

  

下载数据

  进口熊猫作为pd

  来自numpy import *

  def GRA_ONE(数据帧,m=0):

  灰色=数据帧

  #以df格式读取

  gray=(gray-gray . min())/(gray . max()-gray . min())

  #标准化

  STD=gray.iloc [3360,m] #是标准元素。

  Ce=灰色。iloc [:03360] #是比较元素。

  n=ce.shape[0]

  计数秩

  #与标准元素比较,减去

  a=零([m,n])

  对于范围(m):内的I

  对于范围(n):内的j

  a[i,j]=abs(ce.iloc[j,i]-std[j])

  #取出矩阵中的最大值和最小值

  c=amax(a)

  d=阿明(a)

  #计算值

  结果=零([m,n])

  结果[i,j]=(d 0.5*c)/(a[i,j] 0.5*c)

  #计算平均值得到灰色关联值。

  结果2=零(m)

  结果2[i]=平均值(结果[I,])

  RT=pd。数据框架(结果2)

  返回RT

  def GRA(数据帧):

  list _ columns=[str(s)for s in range(len(data frame . columns))if s not in[None]]

  df_local=pd。DataFrame(列=list_columns)

  对于范围内的I(len(data frame . columns)):

  df_local.iloc[:i]=GRA_ONE(DataFrame,m=i)[0]

  返回df_local

  data_wine_gra=GRA(葡萄酒)

  # data _ wine _ gra.to _ csv(路径 gra.csv )将结果存储到硬盘。

  数据_葡萄酒_格拉

  空数据帧

  列: [0,1,2,3,4,5,6,7,8,9,10,11]

  Index: []

  

实现灰色关联分析

  #灰色关联结果矩阵的可视化

  将seaborn作为sns导入

  %matplotlib内联

  def ShowGRAHeatMap(数据帧):

  将matplotlib.pyplot作为plt导入

  将seaborn作为sns导入

  %matplotlib内联

  colormap=plt.cm.RdBu

  plt.figure(figsize=(14,12))

  plt.title(特征的皮尔逊相关性,y=1.05,size=15)

  SNS . heat map(data frame . astype(float),线宽=0.1,vmax=1.0,square=True,cmap=colormap,linecolor=white ,annot=True)

  plt.show()

  ShowGRAHeatMap(data_wine_gra)

  

结果可视化

  百度灰色关联分析简书Python在这里实现灰色关联。本文介绍用Python实现灰色关联分析及其结果的可视化。更多相关Python灰色关联分析内容,请搜索热门IT软件开发工作室往期文章或继续浏览下方相关文章。希望大家以后多多支持热门IT软件开发工作室!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: