Grau de associação círculo

O Python é uma linguagem de programação bem conhecida e oferece uma variedade de bibliotecas para escrever diferentes programas de software nesse idioma. É uma linguagem de computador orientada a objetos, estruturada e funcional, e sua aplicação não se limita apenas a tipos específicos, o que a torna uma linguagem de uso geral. O script do idioma também é semelhante ao idioma inglês e, como resultado, Python tem a reputação de ser uma linguagem de programação para iniciantes para iniciantes. Para aplicações como computação científica e técnica, integração, processamento de sinais e imagens e a interpolação Python Library Scipy que lida com todas essas funções específicas.

Scipy tem um atributo ou função chamada “Association ().”Essa função é definida para saber quanto as duas variáveis ​​estão relacionadas entre si, o que significa que a associação é uma medida de quanto as duas variáveis ​​ou as variáveis ​​em um conjunto de dados se relacionam.

Procedimento

O procedimento do artigo será explicado nas etapas. Primeiro, aprenderemos sobre a função Association () e depois saberemos quais módulos do Scipy são obrigados a trabalhar com esta função. Em seguida, aprenderemos sobre a sintaxe da função Association () no script python e depois fará alguns exemplos para obter experiência de trabalho prática.

Sintaxe

A linha a seguir contém a sintaxe para a chamada de função ou a declaração da função da associação:

$ scipy. Estatísticas. contingência. Associação (observada, Method = 'Cramer', Correção = Falso, Lambda_ = Nenhum)

Vamos agora discutir os parâmetros exigidos por esta função. Um dos parâmetros é o "observado", que é um conjunto de dados ou matriz semelhante a uma matriz que tem os valores sob observação para o teste de associação. Então vem o parâmetro importante “método.”Este método deve ser especificado durante o uso dessa função, mas seu valor padrão é“ Cramer.”A função tem outros dois métodos:“ TschuProw ”e“ Pearson.”Então, todas essas funções dão os mesmos resultados.

Lembre -se de que não devemos confundir a função de associação com o coeficiente de correlação de Pearson, pois essa função diz apenas se as variáveis ​​têm ou não correlação entre si, enquanto a associação informa quanto ou em que grau as variáveis ​​nominais estão relacionadas a cada um outro.

Valor de retorno

A função de associação retorna o valor estatístico para o teste, e o valor tem o tipo de dados "float" por padrão. Se a função retornar um valor de “1.0 ”, isso indica que as variáveis ​​têm uma associação 100%, enquanto um valor de“ 0.1 "ou" 0.0 ”indica que as variáveis ​​têm pouca ou nenhuma associação.

Exemplo # 01

Até agora, chegamos ao ponto de discussão de que a associação calcula o grau da relação entre as variáveis. Usaremos essa função de associação e julgando os resultados em comparação com nosso ponto de discussão. Para começar a escrever o programa, abriremos o "Google Collab" e especificaremos um notebook separado e exclusivo da colaboração para escrever o programa em. A razão por trás do uso dessa plataforma é que é uma plataforma de programação Python online e possui todos os pacotes instalados com antecedência.

Sempre que estamos escrevendo um programa em qualquer linguagem de programação, iniciamos o programa Importando primeiro as bibliotecas. Esta etapa tem importância, uma vez que essas bibliotecas têm as informações de back-end armazenadas nelas para as funções que essas bibliotecas têm, ao importar essas bibliotecas, adicionamos indiretamente as informações ao programa para o funcionamento adequado das funções internas. Importe a biblioteca "Numpy" no programa como "NP", pois aplicaremos a função de associação aos elementos da matriz para verificar se sua associação.

Em seguida, outra biblioteca será "ccepy" e, a partir deste pacote scipy, importaremos as "estatísticas. contingência como associação ”para que possamos ligar para a função de associação usando este módulo importado“ Associação.”Nós integramos todos os módulos necessários no programa agora. Defina uma matriz com dimensão 3 × 2, usando a função de declaração de matriz Numpy. Esta função usa o "NP" de Numpy como um prefixo para Array () como "NP. Array ([[2, 1], [4, 2], [6, 4]]).”Vamos armazenar essa matriz como o“ observado_array.Os elementos desta matriz são “[[2, 1], [4, 2], [6, 4]], o que mostra que a matriz consiste em três linhas e duas colunas.

Agora chamaremos o método da associação () e, nos parâmetros da função, passaremos o "observado_array" e o método, que especificaremos como o "Cramer.”Esta chamada de função parecerá“ Associação (observada_array, Method = ”Cramer”) ”. Os resultados serão armazenados e depois exibidos usando a função print (). O código e a saída para este exemplo são mostrados da seguinte forma:

O valor de retorno do programa é “0.0690 ”, que afirma que as variáveis ​​têm um menor grau de associação entre si.

Exemplo # 02

Este exemplo mostrará como podemos usar a função de associação e calcular a associação das variáveis ​​com duas especificações diferentes de seu parâmetro, i.e., "método."Integrar o" ccepy. Estado. atributo de contingência "como uma" associação "e o atributo de Numpy como" np ", respectivamente. Crie uma matriz 4 × 3 para este exemplo usando o método de declaração de matriz Numpy, i i.e., “NP. Array ([[100.120, 150], [203.222, 322], [420,660, 700], [320,110, 210]]).”Passe esta matriz para o método Association () e especifique o parâmetro" Método "para esta função pela primeira vez como" TschuProw "e a segunda vez como" Pearson.”

Esta chamada de método ficará assim: (observado_array, métod = "tschuProw") e (observado_array, métod = "Pearson"). O código para ambas as funções é anexado abaixo na forma de um trecho.

Ambas as funções retornaram o valor estatístico para este teste, que mostra a extensão da associação entre as variáveis ​​na matriz.

Conclusão

Este guia descreve os métodos para as especificações do parâmetro Association Scipy () "Método" com base nos três testes de associação diferentes que esta função fornece: "TschuProw", "Pearson" e "Cramerr.”Todos esses métodos fornecem quase os mesmos resultados quando aplicados aos mesmos dados de observação ou matriz.