转自:/p/42470566
前天在看书的时候第一次看到了列联表卡方检验,觉得这个东西不难又相对容易实现,刚好知乎上有个老哥的文章是用R来实现卡方检验,于是借用他的数据,我在spyder上面实现了。
这是一份手游数据,里面是某手游8-9月的用户登录数据以及用户数据库数据。这是为了查看到底是什么因素使得8-9月的登录次数骤减。为了看到底是什么因素会影响,首先会想到方差分析、相关性矩阵,还有卡方检验。
首先卡方检验是针对自变量和因变量都是分类数据,也就是说带有属性的数据;而单因素方差分析是自变量是分类数据,因变量是连续型的数据。还有一点:方差分析是参数检验,而卡方检验是属于非参数检验。
到底列联表的卡方怎么做呢?
卡方检验是用途非常广的一种假设检验方法,它在分类资料统计推断中的应用,包括:两个率或两个构成比比较的卡方检验;多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,卡方值越大,越不符合;卡方值越小,偏差越小,越趋于符合,若两个值完全相等时,卡方值就为0,表明理论值完全符合。注意:卡方检验针对分类变量
当然是要进行假设检验啦:
更多Python视频、源码、资料加群683380553免费获取
根据度娘的图:
1、括号里面是根据观测值的概率来推算出来的理论值,或者叫期望值。
2、最下面和最右面是分别在不同分类数据下的求和,右边那列的和下边的和怎么都等于200
3、概率和理论值怎么算呢:
4、我们把理论值都直接放进去表格里面,卡方的公式:其中A是实际值,T是理论值。
5、最后根据得出的卡方值查表便可求得结果。
回归本题:
在spyder里面实现
import os import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom scipy import statsplt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题os.chdir('./新建文件夹')user_database = pd.read_csv('./user_database.csv',encoding='utf-8',sep=',')user_login = pd.read_csv('./user_login.csv',encoding='utf-8',sep=',')#是否有空值udba_na = np.sum(user_database.isnull().sum())ulg_na = np.sum(user_login.isnull().sum())print(udba_na,'-----\n-----',ulg_na)if udba_na == 0 and ulg_na == 0:print('进行下一步')else:print('再检查')
以上是 常规操作
#merge new_df = pd.merge(user_login,user_database,how='left',on='user_id')new_df.drop(['app_name_x','app_name_y'],axis=1,inplace=True)new_df.log_date = pd.to_datetime(new_df.log_date)#merge成功之后,进行探索性分析#8-9月之间登陆次数是否有异常logdf = new_df.groupby(['log_date']).count()['user_id']logdf.plot(figsize=(20,10),legend=True,fontsize=20,label = '用户数',linewidth =2,colormap = 'BrBG_r',marker='o',alpha=0.6,linestyle='--',grid=True)plt.legend(fontsize=20)plt.title('8-9月登陆用户数趋势图',fontsize=20)plt.grid(which='y',linestyle='--',color='grey',alpha=0.8)#明显整体趋势走弱,最大断崖式下跌9月10-11-12日
这里首先进行merge,因为是两个文件,采用的是left join的形式,和SQL一样。然后根据图像进行分析。
整体趋势向下走,在9月初一下子降得有点严重。
进一步分析为什么会这样
#8-9月月活跃玩家整体下降new_df.index = new_df.log_datenew_df['log_month'] = new_df.index.month
这里先把月份提取出来,因为做卡方检验需要分类数据
这里我写了3个自定义函数,是为了输出报告
#看哪几个因素有影响#主因素 月份 其他因素:年龄段,性别,设备#自定义函数,做卡方检验def colu(df,col):uni = df[col].unique().tolist()return unidef observe(df,subcol,maincol):d = []lst1 = colu(df,subcol)lst2 = colu(df,maincol)for l in lst1:for ls in lst2:b = len(df[(df[subcol] == l)&(df[maincol]==ls)])d.append(b)return ddef split_array(df,subcol,maincol):result_lst = []lst = observe(df,subcol,maincol)for j in range(0,len(lst),len(colu(df,maincol))):result = lst[j:j+len(colu(df,maincol))]result_lst.append(result)result_lst = np.array(result_lst)return result_lst.Tdef chi(array):#计算理论值#main = np.sum(array,axis=1)#sub = np.sum(array,axis=0)sum_ = np.sum(np.sum(gender_month))#理论值:#expectation_value = sum_*(main/np.sum(main))*(sub/np.sum(sub))#expectation_value1 = sum_*(1-main/np.sum(main))*(sub/np.sum(sub))if sum_ > 40:print('样本量大于40')chi,p,v,exp = stats.chi2_contingency(array,correction=False)else:print('样本量小于40')chi,p,v,exp = stats.chi2_contingency(array,correction=True)print ('''====================================================报告χ2值:{}p值:{}自由度:{}理论值:{}===================================================='''.format(chi,p,v,exp))if p > 0.05:print('不拒绝原假设,无充分证据表明两个因素之间存在关系,即可认为该因素不影响登陆次数')else:if p < 0.05:print('显著性水平α=0.05下,拒绝原假设,充分相关,建议作图分析做进一步判断到底是因子里面哪个因素起作用')elif p < 0.01:print('显著性水平α=0.01下,拒绝原假设,显著相关,建议作图详细分析')return (chi,p,v,exp)
总的思路就是,先把属性提取出来,然后循环遍历把对应的数据总量算出来,最后转换为numpy.array格式,根据scipy的stats里面的chi2_contingency方法做相关性检验,里面有个参数叫correction,是连续性修正,默认True,这是因为理论值全部小于5,且样本量小于40或者样本量大于40有一格或几格的理论值小于5的时候就要用这个修正。
#性别和月份检测:#返回的是转置后的二维数组,index分别是月份,columns名是M,Fgender_month = split_array(new_df,'gender','log_month')print('--------------------性别和月份------------------------\n')chi(gender_month)print('------------------------------------------------------\n')#年龄段和月份检测:generation_month = split_array(new_df,'generation','log_month')print('--------------------年龄和月份------------------------\n')chi(generation_month)print('------------------------------------------------------\n')#设备和月份检测:device_month = split_array(new_df,'device_type','log_month')print('--------------------设备和月份------------------------\n')chi(device_month)print('------------------------------------------------------\n')
返回的结果
--------------------性别和月份------------------------样本量大于40====================================================报告χ2值:2.009573852892115p值:0.1563092191352709自由度:1理论值:[[46987.45685607 47197.54314393][38002.54314393 38172.45685607]]====================================================不拒绝原假设,无充分证据表明两个因素之间存在关系,即可认为该因素不影响登陆次数--------------------------------------------------------------------------年龄和月份------------------------样本量大于40====================================================报告χ2值:17.246958670810887p值:0.0017306236244977753自由度:4理论值:[[33669.09192299 4789.96736323 27807.68449166 9023.7589222818894.49729984][27230.90807701 3874.03263677 22490.31550834 7298.2410777215281.50270016]]====================================================显著性水平α=0.05下,拒绝原假设,充分相关,建议作图分析做进一步判断到底是因子里面哪个因素起作用--------------------------------------------------------------------------设备和月份------------------------样本量大于40====================================================报告χ2值:2042.142383870325p值:0.0自由度:1理论值:[[51824.41720474 42360.58279526][41914.58279526 34260.41720474]]====================================================显著性水平α=0.05下,拒绝原假设,充分相关,建议作图分析做进一步判断到底是因子里面哪个因素起作用------------------------------------------------------
这里两组因子都返回了p值在显著性水平0.05下小于0.05
因此进一步查看相关数据,这里是用到了pandas的交叉表,当然用pivottable也就是透视表也可以。
#研究年龄段是否真的影响#Python学习交流群:548377875age_df=pd.crosstab(index=new_df.log_month,columns=new_df.generation,values=new_df.user_id,aggfunc='count')print(age_df)
返回
generation102030 40 50log_month 8 18785 33671 28072 8828 48299 15391 27229 22226 7494 3835
初步看20代、30代的玩家是该手游的主力玩家,这时候要比较8月和9月各个年龄段之间的差值以及每个月内的占比,也就是比较组间差距和组内 差距
#8-9月年龄段同比Aug_age_df = age_df.loc[8]Sep_age_df = age_df.loc[9]diff_age_df = (Sep_age_df - Aug_age_df)/Aug_age_dfprint(diff_age_df,'\n40-49年龄段同比下降幅度15%,其他年龄段同比下降20%左右')print(Aug_age_df/Aug_age_df.sum(),'\n',Sep_age_df/Sep_age_df.sum())#看整体age_df.plot(figsize=(20,10),kind='bar',rot=0,fontsize=25,stacked=True) plt.legend(fontsize=20)print('20、30代下降得比较严重')
返回
generation10 -0.18067620 -0.19132230 -0.20825040 -0.15111050 -0.205840dtype: float64 40-49年龄段同比下降幅度15%,其他年龄段同比下降20%左右generation10 0.19944820 0.35749930 0.29805240 0.09373050 0.051271Name: 8, dtype: float64 generation10 0.4820 0.35745330 0.29177640 0.09837950 0.050345Name: 9, dtype: float6420、30代下降得比较严重
单单这样比较起来,每个年龄段在每个月内的占比情况其实大同小异,再看组间差距,可以发现除了40代以外,其他都是维持在20%左右的降幅,作为一个异常值,可以去尝试把40代的数据挑出来再做检验
#把40代剔除newdf = new_df[new_df.generation != 40]generation_month2 = split_array(newdf,'generation','log_month')print('--------------------年龄和月份(剔除40代后)------------------------\n')chi(generation_month2)
返回报告
--------------------年龄和月份(剔除40代后)------------------------样本量大于40====================================================报告χ2值:6.74676953726528p值:0.08042237855065465自由度:3理论值:[[33746.48658123 4800.97799244 27871.6056168 18937.92980953][27153.51341877 3863.0256 22426.3943832 15238.07019047]]====================================================不拒绝原假设,无充分证据表明两个因素之间存在关系,即可认为该因素不影响登陆次数
p值 大于0.05,个人认为虽然是大于0.05,但是多少还是会存在年龄段的因素,相对于下面这个因素来说影响太弱。
#可以认为年龄段对于登陆次数是有影响,40代剔除后本对整体不影响,但卡方检验p值提升,因此年龄段也需要关注device_type_df =pd.crosstab(index=new_df.log_month,columns=new_df.device_type,values=new_df.user_id,aggfunc='count')print(device_type_df)
返回
device_type Android iOSlog_month 8 46974 472119 29647 46528
可以看到安卓突然崩塌式下坠,而IOS基本保持应有的水平,似乎答案已经出来了。
#很直观,明显9月安卓突然下降,设备上面很可能有问题。logdf1 = new_df[new_df['device_type']=='iOS'].groupby(['log_date']).count()['user_id']logdf2 = new_df[new_df['device_type']=='Android'].groupby(['log_date']).count()['user_id']f,axes = plt.subplots(1,1)logdf1.plot(figsize=(20,10),legend=True,fontsize=20,label = 'IOS用户数',linewidth =2,colormap = 'BrBG_r',marker='o',alpha=0.6,linestyle='--',grid=True)logdf2.plot(figsize=(20,10),legend=True,fontsize=20,label = '安卓用户数',linewidth =2,colormap = 'jet_r',marker='*',alpha=0.6,linestyle='--',grid=True)plt.legend(fontsize=20)plt.title('8-9月登陆用户数趋势图',fontsize=20)plt.grid(which='y',linestyle='--',color='grey',alpha=0.8) plt.show() #根据图像,明显安卓用户断崖崩塌,假设:存在安卓系统优化问题
初步判断,安卓用户存在优化问题。
以上就是用 python做卡方检验。也可以考虑用相关矩阵
n = new_dfn.drop('log_date',axis=1,inplace=True)n['device_type'] = n['device_type'].map({'iOS':1,'Android':0})n['gender'] = n['gender'].map({'F':0,'M':1})corr = n.corr()print(corr)#相关性矩阵,可以看到设备类型和登陆月份之间的相关性是里面最强的,其余基本都是无相关关系user_id gender generation device_type log_monthuser_id1.000000 -0.000472 0.0127130.037740 0.184411gender-0.000472 1.000000 -0.0090610.014727 0.003435generation 0.012713 -0.009061 1.000000 -0.011449 -0.001097device_type 0.037740 0.014727 -0.0114491.000000 0.109486log_month 0.184411 0.003435 -0.0010970.109486 1.000000
如果觉得《用python进行列联表卡方检验》对你有帮助,请点赞、收藏,并留下你的观点哦!