Python实现单因素方差分析

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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/638479.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

使用STM32的UART实现蓝牙通信

使用STM32的UART实现蓝牙通信

✅作者简介：热爱科研的嵌入式开发者，修心和技术同步精进 代码获取、问题探讨及文章转载可私信。 ☁ 愿你的生命中有够多的云翳,来造就一个美丽的黄昏。 🍎获取更多嵌入式资料可点击链接进群领取，谢谢支持！&#x1f447…
阅读更多...
外部配置文件和Class打包到jar 然后重新启动java -jar

外部配置文件和Class打包到jar 然后重新启动java -jar

我这边以demo.jar和application-dev.properties配置文件为例 一.将Test1.class和Test2.class替换到jar内部 步骤1：解压原始demo.jar 将两个class文件拷贝到jar目录下后cd到文件目录执行： jar xf demo.jar BOOT-INF/classes/com/test/ jar xf demo.jar…
阅读更多...
解密.dataru被困的数据：如何应对.dataru勒索病毒威胁

解密.dataru被困的数据：如何应对.dataru勒索病毒威胁

导言： 在数字时代，勒索病毒如.dataru正在不断演变，威胁着用户的数据安全。本文91数据恢复将深入介绍.dataru勒索病毒的特点、被加密数据的恢复方法，以及预防措施，帮助您更好地了解并对抗这一数字威胁。当面对被勒索病…
阅读更多...
基于SpringBoot的在线问卷调查管理系统

基于SpringBoot的在线问卷调查管理系统

基于SpringBoot的在线问卷调查管理系统的设计与实现~ 开发语言：Java数据库：MySQL技术：SpringBootMyBatis工具：IDEA/Ecilpse、Navicat、Maven 系统展示 前台主页 问卷列表 问卷详情 管理员界面 摘要 基于Spring Boot的在线问卷调…
阅读更多...
JVM篇--垃圾回收器高频面试题

JVM篇--垃圾回收器高频面试题

1 你知道哪几种垃圾收集器，各自的优缺点是啥，重点讲下cms和G1，包括原理，流程，优缺点？ 1）首先简单介绍下 有以下这些垃圾回收器 Serial收集器： 单线程的收集器，收集垃圾时…
阅读更多...
云贝教育 |【OceanBase】OBCA认证考试预约流程

云贝教育 |【OceanBase】OBCA认证考试预约流程

一、OBCA账号登录/注册，链接 https://www.oceanbase.com/ob/login/mobile?gotohttps%3A%2F%2Fwww.oceanbase.com%2Ftraining%2Fdetail%3Flevel%3DOBCA 注册完之后，请点击右上“登录”进行实名认证 OBCA考试报名链接：https://www.oceanbase.…
阅读更多...
SQLite的临时视图和“一般”视图的区别

SQLite的临时视图和“一般”视图的区别

在SQLite中，临时视图和永久视图是两种不同的对象，它们之间有几个关键的区别： 作用域（Scope）： 临时视图（Temporary View）：仅在创建它的数据库连接会话中可见和可用。当创…
阅读更多...
stm32cubemx下载以及安装【最新版本傻瓜式教程】

stm32cubemx下载以及安装【最新版本傻瓜式教程】

一、官网 https://www.st.com/zh/development-tools/stm32cubemx.html 二、下载【废话不多说，按照图示所圈进行】 没有登录账号的建议先注册登录再进行下载，这样省去后面认证的麻烦。 选择自己电脑对应环境的版本，我的是windows11&#xf…
阅读更多...
MSE Nacos：解决敏感配置的安全隐患

MSE Nacos：解决敏感配置的安全隐患

作者：察溯 前言 Nacos 简介 Nacos [ 1] 是一个更易于构建云原生应用的配置管理和服务管理平台。Nacos 的配置中心具有众多优势：动态实时更新配置、支持水平扩展的高可用系统架构、API 简单易上手、开源免费、多语言支持、集成度高等。基于以上特点&am…
阅读更多...
JavaScript 中JSON 字符串和对象之间的转换。

JavaScript 中JSON 字符串和对象之间的转换。

JSON.stringify() 方法（对象转换为 JSON 字符串） 用于将 JavaScript 对象转换为 JSON 字符串。 它接受一个 JavaScript 对象作为参数，并返回对应的 JSON 字符串表示。例如： const obj { name: John, age: 25 }; const jsonStr…
阅读更多...
0基础实战langchain系列讲义【2】LangChain 的数据连接

0基础实战langchain系列讲义【2】LangChain 的数据连接

文章目录 前言1、数据连接定义？2、数据的加载、拆分过程2.1 TextLoader 加载文档2.2 拆分文档2.2.1 字符拆分2.2.2 拆分代码2.2.3 Markdown文档拆分2.2.4 按字符递归拆分2.2.5 按token拆分 3 文本向量化和向量数据库存储查询3.1 文本向量化分块3.2 向量化存储、检索…
阅读更多...
Html+Css+JavaScript实现完整的轮播图功能

Html+Css+JavaScript实现完整的轮播图功能

概要 这个案例具备常见轮播图完整的功能，大家可以根据自己的需求去修改； 代码可以直接复制运行，需要安装sass 主要功能： （1）鼠标移入轮播图，左右两边的按钮出现，离开则隐藏按钮&a…
阅读更多...
proteus8.15安装教程

proteus8.15安装教程

proteus8.15安装教程 1.管理员运行 2.一直NEXT到这一步，需要注意，一定要选这一个 3.选中后出现 4.一直下一步到更新 这边结束后准备激活： 1.安装激活插件，先关闭防火墙 2.下一步 3.最后，将数据库放在根目录下 …
阅读更多...
从零开始配置pwn环境：sublime配置并解决pwn脚本报错问题

从零开始配置pwn环境：sublime配置并解决pwn脚本报错问题

1.sublime安装 Download - Sublime Text ──(holyeyes㉿kali2023)-[~] └─$ sudo dpkg -i sublime-text_build-4169_amd64.deb [sudo] password for holyeyes: Selecting previously unselected package sublime-text. (Reading database ... 409163 files and directori…
阅读更多...
LeetCode——二叉树

LeetCode——二叉树

二叉树 思路【labuladong】 1）是否可以通过遍历一遍二叉树得到答案？如果可以，用一个traverse函数配合外部变量来实现——回溯 2）是否可以定义一个递归函数，通过子问题的答案推导出原问题的答案？如果可以…
阅读更多...
Halcon模板图像gen_contour_region_xld/find_shape_model

Halcon模板图像gen_contour_region_xld/find_shape_model

Halcon模板图像 文章目录 Halcon模板图像1. 从参考图像的特定区域中创建模板2. 使用XLD轮廓创建模板 本文将讲述如何创建合适的模板。可以从参考图像的特定区域中创建，也可以使用XLD轮廓创建合适的模板。接下来将分别介绍这两种方法。 1. 从参考图像的特定区域中创建…
阅读更多...
【万字解析】Webpack 优化构建性能（分析-＞优化）

【万字解析】Webpack 优化构建性能（分析-＞优化）

Webpack 优化构建性能 1. 分析构建性能 分析构建体积 全局安装 webpack-bundle-analyzer 插件 npm i -g webpack-bundle-analyzer运行 webpack-bundle-analyzer webpack-bundle-analyzer分析构建速度 // webpack.config.jsconst SpeedMeasurePlugin require("speed-me…
阅读更多...
玩转浏览器开发者工具：发现前端世界的秘密花园

玩转浏览器开发者工具：发现前端世界的秘密花园

解锁网页背后的奥秘 对于许多前端开发者和网页设计师来说，浏览器的开发者工具是不可或缺的利器。通过这些工具，我们可以深入了解网页的内部结构、调试代码、测试设计以及优化性能。在本文中，我们将带你探索浏览器开发者工具的奥秘&#xff0…
阅读更多...
huggingface学习 | 云服务器使用hf_hub_download下载huggingface上的模型文件

huggingface学习 | 云服务器使用hf_hub_download下载huggingface上的模型文件

系列文章目录 huggingface学习 | 云服务器使用git-lfs下载huggingface上的模型文件 文章目录 系列文章目录一、hf_hub_download介绍二、找到需要下载的huggingface文件三、准备工作及下载过程四、全部代码 一、hf_hub_download介绍 hf_hub_download是huggingface官方支持&…
阅读更多...
快速上手Flask(二) flask-restful以及全局响应配置

快速上手Flask(二) flask-restful以及全局响应配置

文章目录 快速上手Flask(二) flask-restful以及全局响应配置什么是flask-restful安装flask_restfulflask_restful 使用flask 使用app.route 装饰器自定义路由 全局响应配置flask的自带的jsonify方法JSONIFY_PRETTYPRINT_REGULARJSONIFY_MIMETYPE重写jsonify方法 快速上手Flask(…
阅读更多...
最新文章

Copyright @ 2022~2023