Degré d'association scipy

Python est un langage de programmation bien connu, et il propose une variété de bibliothèques pour écrire différents logiciels dans cette langue. Il s'agit d'un langage informatique orienté objet, structuré et fonctionnel, et son application ne se limite pas à des types spécifiques, ce qui en fait un langage à usage général. Le script de la langue est également similaire à la langue anglaise et, par conséquent, Python a la réputation d'être un langage de programmation adapté aux débutants. Pour des applications telles que l'informatique scientifique et technique, l'intégration, le traitement du signal et de l'image, et la bibliothèque Python Interpolation Scipy qui traite de toutes ces fonctions spécifiques.

Scipy a un attribut ou une fonction nommée «Association ()."Cette fonction est définie pour savoir dans quelle mesure les deux variables sont liées les unes aux autres, ce qui signifie que l'association est une mesure de la quantité des deux variables ou des variables d'un ensemble de données.

Procédure

La procédure de l'article sera expliqué par étapes. Tout d'abord, nous nous renseignerons sur la fonction association (), puis nous saurons quels modules du Scipy sont tenus de travailler avec cette fonction. Ensuite, nous découvrirons la syntaxe de la fonction Association () dans le script Python, puis faire quelques exemples pour obtenir une expérience de travail pratique.

Syntaxe

La ligne suivante contient la syntaxe de l'appel de la fonction ou la déclaration de la fonction d'association:

$ scipy. Statistiques. contingence. Association (observé, méthode = 'Cramer', correction = false, lambda_ = aucun)

Discutons maintenant des paramètres requis par cette fonction. L'un des paramètres est le «observé», qui est un ensemble de données ou un tableau de type tableau qui a les valeurs sous observation pour le test d'association. Vient ensuite la méthode du paramètre important."Cette méthode doit être spécifiée lors de l'utilisation de cette fonction, mais sa valeur par défaut est" Cramer."La fonction a deux autres méthodes:« Tschuprow »et« Pearson."Donc, toutes ces fonctions donnent les mêmes résultats.

Gardez à l'esprit que nous ne devons pas confondre la fonction d'association avec le coefficient de corrélation de Pearson car cette fonction indique seulement si les variables ont une corrélation entre elles, tandis que l'association indique combien ou dans quelle mesure les variables nominales sont liées à chaque autre.

Valeur de retour

La fonction d'association renvoie la valeur statistique du test, et la valeur a le type de données «flotter» par défaut. Si la fonction renvoie une valeur de «1.0 », cela indique que les variables ont une association à 100%, tandis qu'une valeur de« 0.1 ”ou« 0.0 ”indique que les variables ont peu ou pas d'association.

Exemple # 01

Jusqu'à présent, nous sommes arrivés au point de discussion que l'association calcule le degré de relation entre les variables. Nous utiliserons cette fonction d'association et jugerons les résultats en comparaison avec notre point de discussion. Pour commencer à écrire le programme, nous ouvrirons la «collaboration Google» et spécifierons un cahier séparé et unique de la collaboration pour écrire le programme dans. La raison derrière l'utilisation de cette plate-forme est qu'il s'agit d'une plate-forme de programmation Python en ligne, et il a tous les packages installés à l'avance.

Chaque fois que nous écrivons un programme dans un langage de programmation, nous commençons le programme en important d'abord les bibliothèques dedans. Cette étape est importante car ces bibliothèques ont les informations backend stockées pour les fonctions que ces bibliothèques ont en important ces bibliothèques, nous ajoutons indirectement les informations au programme pour le bon fonctionnement des fonctions intégrées. Importez la bibliothèque «Numpy» dans le programme en tant que «NP» que nous appliquerons la fonction d'association aux éléments du tableau pour vérifier leur association.

Ensuite, une autre bibliothèque sera «Scipy» et à partir de ce package Scipy, nous importerons les «statistiques. contingence comme association »afin que nous puissions appeler la fonction d'association en utilisant ce module importé« Association."Nous avons intégré tous les modules requis dans le programme maintenant. Définissez un tableau avec dimension 3 × 2, en utilisant la fonction de déclaration de tableau Numpy. Cette fonction utilise le «NP» de Numpy comme préfixe pour array () comme «NP. Array ([[2, 1], [4, 2], [6, 4]])."Nous stockons ce tableau comme le" observé_array.«Les éléments de ce tableau sont« [[2, 1], [4, 2], [6, 4]] », qui montre que le tableau se compose de trois lignes et de deux colonnes.

Maintenant, nous appellerons la méthode Association (), et dans les paramètres de la fonction, nous transmettrons la méthode «observé_array» et que nous spécifierons comme «Cramer."Cet appel de fonction ressemblera à" Association (observé_array, méthode = "Cramer") ". Les résultats seront stockés puis affichés à l'aide de la fonction print (). Le code et la sortie de cet exemple sont affichés comme suit:

La valeur de retour du programme est «0.0690 », qui stipule que les variables ont un degré d'association inférieur les uns avec les autres.

Exemple # 02

Cet exemple montrera comment nous pouvons utiliser la fonction d'association et calculer l'association des variables avec deux spécifications différentes de son paramètre, i.e., "méthode.»Intégrez le« Scipy. stat. L'attribut de contingence "en tant que« association »et l'attribut de Numpy en tant que« NP », respectivement. Créez un tableau 4 × 3 pour cet exemple en utilisant la méthode de déclaration de tableau Numpy, I.e., «NP. Array ([[100,120, 150], [203,222, 322], [420,660, 700], [320,110, 210]])).«Passez ce tableau à la méthode Association () et spécifiez le paramètre« Méthode »pour cette fonction la première fois comme« Tschuprow »et la deuxième fois comme« Pearson."

Cet appel de méthode ressemblera à ceci: (observé_array, méthode = ”tschuprow") et (observé_array, méthode = "Pearson"). Le code de ces deux fonctions est joint ci-dessous sous la forme d'un extrait.

Les deux fonctions ont renvoyé la valeur statistique de ce test, qui montre l'étendue de l'association entre les variables du tableau.

Conclusion

Ce guide décrit les méthodes de spécifications du paramètre Scipy's Association () «Méthode» basée sur les trois tests d'association différents que cette fonction fournit: «Tschuprow», «Pearson» et «Cramer».«Toutes ces méthodes donnent presque les mêmes résultats lorsqu'ils sont appliqués aux mêmes données d'observation ou en tableau.