Python实现单因素方差分析

2024-01-22 06:36

本文主要是介绍Python实现单因素方差分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Python实现单因素方差分析

1.背景

正念越来越受到人们关注,正念是一种有意的、不加评判的对当下的注意觉察。可以通过可以通过观呼吸、身体扫描、正念饮食等多种方式培养。
为了验证正念对记忆力的影响,选取三组被试分别进行正念训练,运动训练和无训练,以测量他们的短时记忆是否改善。在各种条件严格控制下,三个月后测量各组的短时记忆回忆容量,结果如下:
在这里插入图片描述

为了验证各组是否存在差异,采用单因素方差分析进行分析,并同时使用SPSS对每一步代码进行说明。
PS:此处为随机数生成,且为了方便展示使用了宽数据,导入SPSS时可使用“数据”-“重构”转换为SPSS常用的长数据。

2.Python代码

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from statsmodels.stats.multicomp import pairwise_tukeyhsd  # 事后比较
from statsmodels.formula.api import ols
from statsmodels.stats.anova import anova_lmindependent = "处理"  # 自变量
dependent = '短时记忆回忆成绩'  # 因变量# 设置画图参数
def define_plt():plt.rcParams['font.sans-serif'] = ['SimHei', ]  # 设置汉字字体plt.rcParams['font.size'] = 12  # 字体大小plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号# 处理数据
def general_data():# 使用melt()函数将读取数据进行结构转换,以满足ols()函数对数据格式的要求,# melt()函数能将列标签转换为列数据excel_data = pd.read_excel('不同正念处理下的短时记忆成绩.xlsx', index_col=0)melt_data = excel_data.melt(var_name=independent, value_name=dependent)print("\n=================melt_data========================")print(melt_data)return melt_data# 显示箱型线,检查是否有极端数值
def show_boxplot(melt_data):sns.boxplot(x=independent, y=dependent, data=melt_data)plt.show()  # 需要放最后运行,否则会阻挡后面程序的运行# 方差分析
def anova(melt_data):# ols()创建一线性回归分析模型model_ols = ols('%s~C(%s)' % (dependent, independent), melt_data).fit()# anova_lm()函数创建模型生成方差分析表anova_table = anova_lm(model_ols, typ=2)print("\n=================以下为方差分析表====================")print(anova_table)# 事后比较
def multiple_comparisons(melt_data):# 进行事后比较分析print("\n=================事后比较分析结果====================")print(pairwise_tukeyhsd(melt_data[dependent], melt_data[independent]))define_plt()  # 定义plt参数
memory_result = general_data()  # 生成数据
anova(memory_result)  # 方差分析
multiple_comparisons(memory_result)  # 事后比较
show_boxplot(memory_result)  # 显示箱型线

3.结果

3.1 运行以上代码,会出现如下结果

3.3.1 方差分析输出结果

在这里插入图片描述

对比一下SPSS的输出结果:
英文版
在这里插入图片描述

中文版
在这里插入图片描述

可以看出,Python的输出结果比较简洁,不过其实组别和误差两项也够用了。

3.3.2 事后比较分析结果
在这里插入图片描述

和SPSS中的结果进行比较:
英文版:
在这里插入图片描述

中文版:
在这里插入图片描述

可以看出,Python也是只输出了三个组的对比,不过和SPSS相比,也只是反过来用负数表示而已,重点关注画框的地方,大于0.05说明不能拒绝零假设,Python输出结果则是用False表示。

3.3.3 箱型图
在这里插入图片描述

SPSS的输出结果:
在这里插入图片描述

PS:部分字的内容不一样是我在不同地方输入变量的问题,这个无关紧要。
可以看到正念组是明显高于其他两个组的。

箱型图怎么看

箱型图的基本组成部分包括:
1.上边缘:数据点的最右侧界限,通常是最大值。
2.下边缘:数据点的最左侧界限,通常是最小值。
3.中位数:所有数据点按照大小顺序排列后位于中间位置的数值。
4.四分位距:IQR(Interquartile Range,四分位间距)定义为中位数与第一四分位数之间的距离的一半。
5.异常值:那些明显偏离数据集整体趋势的数据点,通常用圆点表示。
箱型图一般不包括均值。

4.逐个部分讲解

4.1 宽数据转换为长数据

当我们把这张Excel表导入SPSS时,
在这里插入图片描述

会显示如下
在这里插入图片描述

而我们要将其转换为长数据,即每个列为一个变量的类型

4.1.1 Python代码

在Python代码中,使用melt()函数实现

# 处理数据
def general_data():# 使用melt()函数将读取数据进行结构转换,以满足ols()函数对数据格式的要求,# melt()函数能将列标签转换为列数据excel_data = pd.read_excel('不同正念处理下的短时记忆成绩.xlsx', index_col=0)melt_data = excel_data.melt(var_name=independent, value_name=dependent)print("\n=================melt_data========================")print(melt_data)return melt_data

我们将输出结果打印出来,如下

=================melt_data========================处理  短时记忆回忆成绩
0   正念组      11.3
1   正念组      10.8
2   正念组       8.4
3   正念组       8.5
4   正念组       8.9
5   正念组      10.7
6   正念组       8.4
7   正念组      11.1
8   正念组       8.3
9   正念组      11.9
10  运动组       7.0
11  运动组       6.4
12  运动组       7.6
13  运动组       6.2
14  运动组       6.6
15  运动组       8.2
16  运动组       5.7
17  运动组       8.9
18  运动组       8.7
19  运动组       6.7
20  控制组       6.3
21  控制组       5.2
22  控制组       9.0
23  控制组       5.0
24  控制组       7.5
25  控制组       6.3
26  控制组       6.0
27  控制组       5.2
28  控制组       7.1
29  控制组       7.4

4.1.2 对应的SPSS操作

为了适应使用不同语言的场景,我将同时呈现中文版和英文版
1.数据-重构
在这里插入图片描述
在这里插入图片描述

2.将选定变量重构为个案(C)
在这里插入图片描述
在这里插入图片描述

3.重构一个变量组
在这里插入图片描述
在这里插入图片描述

4.把数据列都放入目标变量中,个案组标识和固定变量可以先不管
在这里插入图片描述
在这里插入图片描述

5.这一步将各组名作为索引变量
在这里插入图片描述
在这里插入图片描述

6.选择使用变量名作为索引
在这里插入图片描述
在这里插入图片描述

7.之前那个序号没什么用,可以直接删除
在这里插入图片描述
在这里插入图片描述

8.完成即可
在这里插入图片描述
在这里插入图片描述

9.确定
在这里插入图片描述
在这里插入图片描述

10.可以看到新生成名为索引1的一列
在这里插入图片描述
在这里插入图片描述

11.点一下下面的变量视图,将索引1改成组别
在这里插入图片描述
在这里插入图片描述

12.再将组别排序,即可获得长数据
在这里插入图片描述
在这里插入图片描述

其实这样操作还不如直接在Excel里面操作,可能还方便一些,这里只是做个展示。

而且在SPSS中,如果使用“分析”-“比较平均值”下面的“单因素 ANOVA 检验…”,则不能使用字符串,如“正念组”这样,而是要转换成数字123之类的,变成组1组2组3,但是这样看起来不方便,输出结果也不好看。我们还可以使用“分析”-“一般线性模型”下的单变量,来达到方差分析的目的。

4.2 方差分析

4.2.1 Python代码

# 方差分析
def anova(melt_data):# ols()创建一线性回归分析模型model_ols = ols('%s~C(%s)' % (dependent, independent), melt_data).fit()# anova_lm()函数创建模型生成方差分析表anova_table = anova_lm(model_ols, typ=2)print("\n=================以下为方差分析表====================")print(anova_table)

Python输出结果:
在这里插入图片描述

4.2.2 SPSS操作
在这里插入图片描述
在这里插入图片描述

一般这里我们会按需要点击“图”、“事后比较”、“选项”这些来输出一些内容,比如描述统计、齐性检验,交互图什么的,不过这里暂时不需要,为了让输出纯粹一点,选好因变量和固定因子直接点确定即可。
在这里插入图片描述
在这里插入图片描述

SPSS输出结果:
中文版
在这里插入图片描述

英文版
在这里插入图片描述

4.3 事后比较

4.3.1 Python代码

# 事后比较
def multiple_comparisons(melt_data):# 进行事后比较分析print("\n=================事后比较分析结果====================")print(pairwise_tukeyhsd(melt_data[dependent], melt_data[independent]))

Python输出结果:
在这里插入图片描述

4.3.2 SPSS操作

在这里插入图片描述
在这里插入图片描述

选择事后比较
在这里插入图片描述
在这里插入图片描述

选择“图基(Tukey)”即可
在这里插入图片描述
在这里插入图片描述

然后点确定
在这里插入图片描述
在这里插入图片描述

SPSS输出结果:
在这里插入图片描述
在这里插入图片描述

这一步同时还会输出主体间因子 Between-Subjects Factors,齐性子集 Homogeneous Subsets和前面的主体间效应检验 Tests of Between-Subjects Effects,不过这不是重点,我们主要关注和代码对应的部分即可。

4.4 箱型图

4.4.1 Python代码

# 设置画图参数
def define_plt():plt.rcParams['font.sans-serif'] = ['SimHei', ]  # 设置汉字字体plt.rcParams['font.size'] = 12  # 字体大小plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号# 显示箱型线,检查是否有极端数值
def show_boxplot(melt_data):sns.boxplot(x=independent, y=dependent, data=melt_data)plt.show()  # 需要放最后运行,否则会阻挡后面程序的运行

Python输出结果:
在这里插入图片描述

4.4.2 SPSS操作

在这里插入图片描述
在这里插入图片描述

由于这里我们只是想看一下箱型图,不想输出太多内容,所以左下角点击只显示图即可,如果还想输出正态性检验,Q-Q图之类的,可以按需要点击右侧的按钮设置选取。
在这里插入图片描述

在这里插入图片描述
SPSS输出结果:
在这里插入图片描述

END

这篇关于Python实现单因素方差分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/632136

相关文章

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞?二、准备如何搞?三、说搞咱就搞!抓取文章提取内容构建html转存markdown

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同