↑↑↑关注后"星标"简说Python
人人都可以简单入门Python、爬虫、数据分析
简说Python推荐
来源:数据科学CLUB作者:少年吉
Oneoldwatch,likebrief python
大家好,我是老表~
分类数据的拟合优度检验
独立性检验
分类数据的拟合优度检验
前面我已经写了关于几种常见的假设检验内容,而检验主要是测试样本分类数据的分布是否符合预期分布。相信大家如果学过高中生物,都知道孟德尔——遗传学之父,当时他根据颜色和形状把豌豆分为四类:黄圆、绿圆、黄皱和绿皱.孟德尔根据遗传学原理判断这四类的比例应为9:3:3:1.为做验证,孟德尔分别统计了这四类豌豆的个数,正是利用检验证明了这令人激动的结论
在处理分类数据时,这些类别值本身对统计检验没有多大用处,比如像“男性”、“女性”和“其他”这样的类别数据没有任何数学意义。所以处理分类变量的检验是基于变量计数,而不是变量本身的实际值。
下面通过生成一些虚假的人口统计数据,并通过检验来检验它们是否不同:
importpandasaspd importscipy.statsasstatsimportnumpyasnp
["black"]*50000+["asian"]*15000+["other"]*35000) minnesota=pd.DataFrame(["white"]*600+["hispanic"]*300+\ ["black"]*250+["asian"]*75+["other"]*150) national_table=pd.crosstab(index=national[0],columns="count") minnesota_table=pd.crosstab(index=minnesota[0],columns="count") print("National") print(national_table) print("") print("Minnesota") print(minnesota_table)national=pd.DataFrame(["white"]*100000+["hispanic"]*60000+\
col_0count 0 asian15000 black50000 hispanic 60000 other35000 white100000 Minnesota col_0count 0 asian 75 black 250 hispanic 300 other 150 white 600National
检验是基于检验统计量。使用以下公式计算检验统计量的值:
样本观察值理论值理论值
national_ratios=national_table/len(national)#实际值 expected=national_ratios*len(minnesota)#理论值 chi_squared_stat=(((observed-expected)**2)/expected).sum() print(chi_squared_stat)observed=minnesota_table
count 18.194805 dtype: float64col_0
检验假设所有预期计数均不小于5,如果某一类别的个数小于5,就将相邻的某些类别合成为一类。
拒绝域:W={},其实r为类别数,a为显著性水平
df=4)#自由度个数 print("Criticalvalue") print(crit) p_value=1-stats.chi2.cdf(x=chi_squared_stat,#P值 df=4) print("Pvalue") print(p_value)crit=stats.chi2.ppf(q=0.95,#找到95%置信度的临界值
9.487729036781154 P value [0.00113047]Critical value
由于检验统计量大于P值,所以得出结论,有95%的把握认为上述两个总体的分布不是相同的。
当然也可以使用scipy.stats.chisquare()函数,十分快捷!
f_exp=expected)#理论值stats.chisquare(f_obs=observed,#观察值
Power_divergenceResult(statistic=array([18.19480519]), pvalue=array([0.00113047]))
独立性检验
独立性检验是统计学的另一种检验方式,它是根据次数判断两类变量彼此相关或相互独立的假设检验。下面生成一些虚假的选民投票数据并进行独立性测试,用于确定教育、政治观点和其他偏好等变量是否因性别、种族和宗教等人口因素而有所不同:
voter_race=np.random.choice(a=["asian","black","hispanic","other","white"], p=[0.05,0.15,0.25,0.05,0.5], size=1000) voter_party=np.random.choice(a=["democrat","independent","republican"], p=[0.4,0.2,0.4], size=1000) voters=pd.DataFrame({"race":voter_race, "party":voter_party}) voter_tab=pd.crosstab(voters.race,voters.party,margins=True) voter_tab.columns=["democrat","independent","republican","row_totals"] voter_tab.index=["asian","black","hispanic","other","white","col_totals"] observed=voter_tab.iloc[0:5,0:3] print(voter_tab)np.random.seed(10)
asian 21 73260 black 65 2564 154 hispanic 107 5094 251 other 15 81538 white 189 96 212 497 col_totals 397186 417 1000democrat independent republican row_totals
对于独立性测试,使用与拟合优度检验相同的检验统计量。主要区别在于,独立性检验必须在二维表格中计算每个单元格的预期计数,而不是一维表格。要获得单元格的预期计数,需要将该单元格的行总计乘以该单元格的列总计,然后除以观察的总数。可以通过np.outer()除以总的观察数快速获得表中所有单元格的理论值
voter_tab.loc["col_totals"][0:3])/1000 expected=pd.DataFrame(expected) expected.columns=["democrat","independent","republican"] expected.index=["asian","black","hispanic","other","white"] print(expected)expected=np.outer(voter_tab["row_totals"][0:5],
asian 23.820 11.16025.020 black 61.138 28.64464.218 hispanic 99.647 46.686104.667 other 15.086 7.06815.846 white197.309 92.442207.249democrat independent republican
现在可以按照之前相同的步骤来计算检验统计量,临界值和p值:
print(chi_squared_stat)chi_squared_stat=(((observed-expected)**2)/expected).sum().sum()
7.169321280162059
注意:调用此处使用sum()方法两次:第一次是获取列和,第二次是将列和相加,返回整个二维表的总和。
df=8) print("Criticalvalue") print(crit) p_value=1-stats.chi2.cdf(x=chi_squared_stat,#P值 df=8) print("Pvalue") print(p_value)crit=stats.chi2.ppf(q=0.95,#找到95%置信度的临界值
15.50731305586545 P value 0.518479392948842Critical value
独立性测试的自由度等于每个变量中类别数减去1的乘积。在本例中,有一个5x3表,因此df=4x2=8。
同样可以使用scipy快速进行独立性测试
stats.chi2_contingency(observed=observed)
[ 61.138, 28.644, 64.218], [ 99.647, 46.686, 104.667], [ 15.086, 7.068, 15.846], [197.309, 92.442, 207.249]]))(7.169321280162059, 0.518479392948842, 8, array([[ 23.82 , 11.16 , 25.02 ],
输出检验统计量的值、p值和自由度以及理论值矩阵。
7.169321280162059<15.50731305586545,落入接受域,故认为上述两变量之间无显著关系。
简说Python
长按扫码关注,一起学Python
学习更多:整理了我开始分享学习笔记到现在超过250篇优质文章,涵盖数据分析、爬虫、机器学习等方面,别再说不知道该从哪开始,实战哪里找了
如果觉得《python 卡方检验_【技术】卡方检验及其Python实现》对你有帮助,请点赞、收藏,并留下你的观点哦!