Python实现灰色关联分析与结果可视化的详细代码_Python

Python实现灰色关联分析与结果可视化的详细代码

2022-11-14 09:51FontTian的专栏 Python

今天小编通过代码以灰色色系为例给大家介绍Python灰色关联分析实现方法，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析，感兴趣的朋友一起看看吧

之前在比赛的时候需要用Python实现灰色关联分析,从网上搜了下只有实现两个列之间的,于是我把它改写成了直接想Pandas中的计算工具直接计算person系数那样的形式,可以对整个矩阵进行运算,并给出了可视化效果,效果请见实现

灰色关联分析法

对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。

简介

灰色系统理论提出了对各子系统进行灰色关联度分析的概念，意图透过一定的方法，去寻求系统中各子系统（或因素）之间的数值关系。因此，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析。

计算步骤

确实参考数列与比较数列
对参考数列与比较数列进行无量纲化处理
计算关联系数,求关联度

此处我给出的是第三步的实现方式,无量纲化请自己处理.数据使用UCI的红酒质量数据集.

代码实现

下载数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# 定义下载数据的函数
def ReadAndSaveDataByPandas(target_url = None,file_save_path = None ,save=False):
  if target_url !=None:
      target_url = ("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv")   
  if file_save_path != None:
      file_save_path = "/home/fonttian/Data/UCI/Glass/glass.csv"
  wine = pd.read_csv(target_url, header=0, sep=";")
  if save == True:
      wine.to_csv(file_save_path, index=False)
  return wine
# 从硬盘读取数据进入内存
wine = pd.read_csv("/home/font/Data/UCI/WINE/wine.csv")
wine.head()

Python实现灰色关联分析与结果可视化的详细代码

实现灰色关联分析

import pandas as pd
from numpy import *
def GRA_ONE(DataFrame,m=0):
  gray= DataFrame
  #读取为df格式
  gray=(gray - gray.min()) / (gray.max() - gray.min())
  #标准化
  std=gray.iloc[:,m]#为标准要素
  ce=gray.iloc[:,0:]#为比较要素
  n=ce.shape[0]
  m=ce.shape[1]#计算行列

  #与标准要素比较，相减
  a=zeros([m,n])
  for i in range(m):
      for j in range(n):
          a[i,j]=abs(ce.iloc[j,i]-std[j])
  #取出矩阵中最大值与最小值
  c=amax(a)
  d=amin(a)
  #计算值
  result=zeros([m,n])
          result[i,j]=(d+0.5*c)/(a[i,j]+0.5*c)
  #求均值，得到灰色关联值
  result2=zeros(m)
          result2[i]=mean(result[i,:])
  RT=pd.DataFrame(result2)
  return RT
def GRA(DataFrame):
  list_columns = [str(s) for s in range(len(DataFrame.columns)) if s not in [None]]
  df_local = pd.DataFrame(columns=list_columns)
  for i in range(len(DataFrame.columns)):
      df_local.iloc[:,i] = GRA_ONE(DataFrame,m=i)[0]
  return df_local

data_wine_gra = GRA(wine)
# data_wine_gra.to_csv(path+"GRA.csv") 存储结果到硬盘
data_wine_gra

Empty DataFrame
Columns: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
Index: []

Python实现灰色关联分析与结果可视化的详细代码

结果可视化

# 灰色关联结果矩阵可视化
import seaborn as sns
%matplotlib inline
def ShowGRAHeatMap(DataFrame):
  import matplotlib.pyplot as plt
  import seaborn as sns
  %matplotlib inline
  colormap = plt.cm.RdBu
  plt.figure(figsize=(14,12))
  plt.title('Pearson Correlation of Features', y=1.05, size=15)
  sns.heatmap(DataFrame.astype(float),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)
  plt.show()
ShowGRAHeatMap(data_wine_gra)

Python实现灰色关联分析与结果可视化的详细代码