Scipy Association grad

Python er et kjent programmeringsspråk, og det tilbyr en rekke biblioteker for å skrive forskjellige programmer på dette språket. Det er et objektorientert, strukturert og funksjonelt dataspråk, og dens anvendelse er ikke bare begrenset til spesifikke typer, noe som gjør det til et generelt formål. Språkets manus ligner også på det engelske språket, og som et resultat har Python rykte på seg for å være et nybegynnervennlig programmeringsspråk. For applikasjoner som vitenskapelig og teknisk databehandling, integrasjon, signal og bildebehandling, og interpolasjon Python Library Scipy som omhandler alle slike spesifikke funksjoner.

Scipy har en attributt eller funksjon som heter “Association ().”Denne funksjonen er definert for å vite hvor mye de to variablene er relatert til hverandre, noe som betyr at assosiasjon er et mål på hvor mye de to variablene eller variablene i et datasett forholder seg til hverandre.

Fremgangsmåte

Prosedyren til artikkelen vil bli forklart i trinn. Først vil vi lære om Association () -funksjonen, og så vil vi bli kjent med hvilke moduler fra scipy som er nødvendige for å jobbe med denne funksjonen. Så lærer vi om syntaks for Association () -funksjonen i Python-skriptet og deretter gjøre noen eksempler for å få praktisk arbeidserfaring.

Syntaks

Følgende linje inneholder syntaks for funksjonssamtalen eller erklæringen om assosiasjonsfunksjonen:

$ scipy. statistikk. beredskap. Association (observert, metode = 'cramer', korreksjon = falsk, lambda_ = ingen)

La oss nå diskutere parametrene som kreves av denne funksjonen. En av parametrene er "observert", som er et matrise-lignende datasett eller matrise som har verdiene under observasjon for assosiasjonstesten. Så kommer den viktige parameteren "metoden.”Denne metoden kreves spesifisert mens du bruker denne funksjonen, men standardverdien er“ Cramer.”Funksjonen har to andre metoder:“ Tschuprow ”og“ Pearson.”Så alle disse funksjonene gir de samme resultatene.

Husk at vi ikke skal forvirre assosiasjonsfunksjonen med Pearsons korrelasjonskoeffisient, siden den funksjonen bare forteller om variablene har noen korrelasjon med hverandre, mens assosiasjonen forteller hvor mye eller i hvilken grad de nominelle variablene er relatert til hver annen.

Returverdi

Association -funksjonen returnerer statistikkverdien for testen, og verdien har datatypen “Float” som standard. Hvis funksjonen returnerer en verdi på “1.0, ”Dette indikerer at variablene har en 100% assosiasjon, mens en verdi på“ 0.1 ”eller“ 0.0 ”indikerer at variablene har liten eller ingen assosiasjon.

Eksempel nr. 01

Så langt har vi kommet til diskusjonspunktet at foreningen beregner graden av forholdet mellom variablene. Vi vil bruke denne tilknytningsfunksjonen og bedømme resultatene sammenlignet med diskusjonspunktet vårt. For å begynne å skrive programmet, åpner vi “Google Collab” og spesifiserer en egen og unik notisbok fra kollapsen for å skrive programmet i. Årsaken til å bruke denne plattformen er at det er en online Python -programmeringsplattform, og den har alle pakkene installert i den på forhånd.

Hver gang vi skriver et program på et hvilket som helst programmeringsspråk, starter vi programmet ved å først importere bibliotekene til det. Dette trinnet har betydning siden disse bibliotekene har backend-informasjonen som er lagret i seg for funksjonene som disse bibliotekene har, så ved å importere disse bibliotekene, legger vi indirekte informasjonen til programmet for riktig funksjon av de innebygde funksjonene. Importer “Numpy” -biblioteket i programmet som “NP”, da vi vil bruke foreningens funksjon på elementene i matrisen for å sjekke for deres forening.

Da vil et annet bibliotek være "Scipy" og fra denne scipy -pakken vil vi importere "Statistikk. beredskap som forening ”, slik at vi kan ringe til foreningsfunksjonen ved å bruke denne importerte modulen“ Association.”Vi har integrert alle nødvendige moduler i programmet nå. Definer en matrise med dimensjon 3 × 2, ved å bruke Numpy Array Declaration -funksjonen. Denne funksjonen bruker Numpys “NP” som et prefiks for å matrise () som “NP. Array ([[2, 1], [4, 2], [6, 4]]).”Vi lagrer denne matrisen som“ observert_array.”Elementene i denne matrisen er“ [[2, 1], [4, 2], [6, 4]] ”, som viser at matrisen består av tre rader og to kolonner.

Nå vil vi kalle Association () -metoden, og i parametrene til funksjonen vil vi videreføre “observerte_array” og metoden, som vi vil spesifisere som “Cramer.”Denne funksjonssamtalen vil se ut som“ Association (Observed_Array, Method = ”Cramer”) ”. Resultatene vil bli lagret og deretter vist ved hjelp av print () -funksjonen. Koden og utgangen for dette eksemplet vises som følger:

Returverdien til programmet er “0.0690, ”som sier at variablene har en lavere grad av tilknytning til hverandre.

Eksempel # 02

Dette eksemplet vil vise hvordan vi kan bruke assosiasjonsfunksjonen og beregne assosiasjonen til variablene med to forskjellige spesifikasjoner av dens parameter, i.e., "metode.”Integrer“ Scipy. stat. beredskap ”-attributt som henholdsvis en" forening "og Numpys attributt som" NP ", henholdsvis" NP ". Lag en 4 × 3 -matrise for dette eksemplet ved hjelp av Numpy Array Declaration -metoden, i.e., “NP. Array ([[100,120, 150], [203,222, 322], [420,660, 700], [320,110, 210]]).”Gi denne matrisen til Association () -metoden og spesifiser“ Metode ”-parameteren for denne funksjonen første gang som“ Tschuprow ”og andre gang som“ Pearson.”

Denne metodeanropet vil se slik ut: (observert_array, metode = ”tschuprow“) og (observert_array, method = ”Pearson”). Koden for begge disse funksjonene er vedlagt nedenfor i form av et utdrag.

Begge funksjonene returnerte den statistiske verdien for denne testen, som viser omfanget av assosiasjonen mellom variablene i matrisen.

Konklusjon

Denne guiden skildrer metodene for spesifikasjonene til Scipy's Association () -parameteren “Metode” basert på de tre forskjellige assosiasjonstestene som denne funksjonen gir: “Tschuprow,” “Pearson,” og “Cramer.”Alle disse metodene gir nesten de samme resultatene når de brukes på samme observasjonsdata eller matrise.