精华内容
下载资源
问答
  • 本程序用于求在网络的邻接矩阵给定的情况下的网络的聚类系数和度度关联系数的求法
  • 灰色系统理论是有中国学者邓聚龙教授首创的一种科学系统理论。...即与参考列关联系数越大的比较数列,其发展方向速率与参考数列越接近,与参考列的关系越紧密,反之亦然。通过关联系数可以对不同参评指标进行赋权。
  • 针对旋转机械应用了灰色关联故障诊断方法,并针对灰色关联分析中分辨系数的取值进行了研究,介绍了其取值准则的一种,对于"小样本,贫信息,不确定性"问题,灰色关联理论具有处理能力强,计算复杂度低等优点。仿真实例表明...
  • 很好用的灰色关联度排序与分析,关联系数设置的为0.5。
  • seaborn入门(4)关联系数矩阵 文章目录seaborn入门(4)关联系数矩阵关联系数矩阵热力图 关联系数矩阵 这个懂的都懂,大概就是表示两个变量之间的关联性。 tips_mx = tips_df.corr() print(tips_df.corr()) 得到如下...

    seaborn入门(4)关联系数矩阵和热力图

    关联系数矩阵

    这个懂的都懂,大概就是表示两个变量之间的关联性。

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    tips_df = sns.load_dataset(name='tips',cache=True,data_home="./seaborn-data")
    tips_mx = tips_df.corr()
    print(tips_df.corr())
    

    载入数据有问题看seaborn入门(1)
    得到如下结果
    在这里插入图片描述

    热力图

    我们可以将上面的矩阵可视化

    sns.heatmap(tips_mx,annot = True , cmap = 'Blues')
    

    在这里插入图片描述

    酷酷的热力图

    我们采用新的数据,并创建一个数据透视图。

    flights = sns.load_dataset(name='flights',cache=True,data_home="./seaborn-data")
    #数据透视图创建
    flights = flights.pivot_table(index = 'month',columns = 'year', values = 'passengers')
    

    原来的数据是这样的在这里插入图片描述
    数据透视图是这样的,表示某年某月某日乘坐飞机的人数

    在这里插入图片描述
    画成热力图就是
    在这里插入图片描述
    有种马赛克的美感

    展开全文
  • 论文研究-灰色系统关联度之分辨系数的研究.pdf, 本文讨论了灰关联度ri中分辨系数ρ的实质意义,研究了ρ与ri的关系,分析了在不同的系统观测信息下,ρ的取值对关联...
  • 灰色关联度

    2015-12-28 11:13:59
    灰色关联分析模型,从早期基于点关联系数的灰色关联分析模型到基于整体或全视角的广义模型!
  • 本文主要演示pandas中DataFrame对象corr()方法的用法,该方法用来计算DataFrame对象中所有列之间的相关系数(包括pearson相关系数和spearman相关系数)。 perason描述的是两个变量之间的线性相关性,当相关系数等于1...

    本文主要演示pandas中DataFrame对象corr()方法的用法,该方法用来计算DataFrame对象中所有列之间的相关系数(包括pearson相关系数和spearman相关系数)。

    perason描述的是两个变量之间的线性相关性,当相关系数等于1时,为正相关,x和y正好散落在直线上,并且变量y随着x的增加而增加,当相关系数等于-1时,为负相关,x和y很好的散落在直线上,变量y随着x的增大而减小,当相关系数为0时,两个变量之间互不相关。
    (皮尔森相关系数百度介绍:https://baike.baidu.com/item/Pearson%E7%9B%B8%E5%85%B3%E7%B3%BB%E6%95%B0/6243913?fr=aladdin)

    speraman则描述的是两个变量之间的单调性(斯皮尔曼相关系数百度:https://baike.baidu.com/item/spearman%E7%9B%B8%E5%85%B3%E7%B3%BB%E6%95%B0/7977847?fr=aladdin)

    直接来干货:
    import pandas as pd
    import matplotlib.pyplot as plt
    import numpy as np
    from scipy import linalg
    data1=pd.read_csv(r’data_new.csv’,header=None)
    data1.head(5)
    这是众多数据中的前5行数据,这里的第8列为目标集,查看其它列与8列之间的相关性#这里只分析1~8列
    data2=data1.loc[:,1:]
    #这里查看各列与第8列之间的相关性
    data2.corr(method=‘spearman’)
    这里能看到各列之间的详细的各列之间关联系数,此处能看到第7列与第8列关联系数最大为0.692
    下面是用皮尔森查看关联系数的截图
    在这里插入图片描述

    展开全文
  • 灰色关联度分析excel实现,使用excel实现灰色关联度分析
  • 灰色关联度分析

    千次阅读 2018-03-30 18:51:10
    7.2.2 灰色关联度分析需求:按照灰色关联度的分析方法,对数据指标进行分析解决方法:通过Python的pandas以及内置的函数完成该需求。import numpy as np import pandas as pd import os def readData(filename): ...

    7.2.2 灰色关联度分析

    需求:按照灰色关联度的分析方法,对数据指标进行分析

    解决方法:通过Python的pandas以及内置的函数完成该需求。

    import numpy as np
    import pandas as pd
    import os
    
    def readData(filename):
        if(os.path.isfile(filename)):
            if(not os.access(filename,os.R_OK)):
                raise Exception('文件不可读')
            else:
                return pd.read_excel(filename)
        else:
            raise Exception('文件不存在')
    
    def overall(filename):
        try:
            dframe = readData(filename)
        except Exception as err:
            print(err)
    
        if(dframe.columns.size>0):
            totaltarget = dframe.columns.size -1
            rowsize=dframe.iloc[:,0].size
    
    
            ## 1 读取原始数据,该数据通过ETL加工而来
            ## 2 异常数据检测
            ## 3 按照指标的情况,计算参考序列:即每个指标的最大/小值,注意这里避开了首列SKUID
            dframe1 =dframe.iloc[:,1:dframe.columns.size]
            a = dframe1.apply(lambda x: (x-x.min())/(x.max() - x.min())*(1-0)+0)
            ## 4 参考序列差额绝对值, ABS(V1-RefV).
            a= a.apply(lambda x: abs(x - x.max()))
            ## 5 指定全局最小、最大值、分辨率 这里默认取的是0、1(计算而来)、0.5(经验值)
            globalMax=a.values.max()
            globalMin=a.values.min()
            resolution=0.5
            ## 6 计算关联系数:(全局最小值+全局最大值*分辨率)/(V1+全局最大值*分辨率)
            a= a.apply(lambda x:(globalMin + globalMax *resolution)/(x+globalMax *resolution) )
            ## 7 计算权重系数和关联度(新增一行一列,其中关联度的每个V是该行的AVG,权重系数是每列的AVG)
            a.loc['Row_avg']=a.apply(lambda x: x.mean())
            ## 8 加权关联度: 通过SUMPRODUCT,每个SKU的指标和权重系数一维数组的对应索引元素相乘在求和,除以总指标数得到关联系数
            d= a.iloc[:,0:totaltarget]
            reftab=pd.DataFrame((d.dot(np.array(d.loc['Row_avg'].values[0:]))/totaltarget),columns=['refid'])
            skuidtab=pd.DataFrame(dframe.iloc[0:rowsize,0:1].values[0:],columns=['skuid'])
            fintab=pd.concat([skuidtab.astype('str'),reftab.astype('float')],axis=1)
            #fintab.reindex(columns=cols)
            ## 9 对关联系数进行正排序得到上架数N,逆排序得到
            print(fintab.iloc[0:-1, 0:totaltarget].sort_values(by='refid', ascending=False)) 
        else:
            print('DataFrame初始化失败')
    
    if __name__ == '__main__':
        overall("G:\Works\BIPreJ\ModelData.xlsx")
        
    
    


    原始文件:


    执行结果:

    待补充


     


    展开全文
  • 灰色关联度矩阵模型及其MATLAB实现

    千次阅读 2019-12-06 10:41:15
    灰色关联度矩阵是灰色系统另一个非常重要的领域,通常用于分析向量与向量之间或矩阵与矩阵之间的关联度,其实用性非常强。

    灰色关联度模型

    引入

    灰色关联度矩阵是灰色系统另一个非常重要的领域,通常用于分析向量与向量之间或矩阵与矩阵之间的关联度,其实用性非常强。

    基本原理

    (1)基本定义
    假设有一组参考数列:
    xj=(xj(1),xj(2),xj(3),...,xj(n)).j=1,2,3,...,s x_{j}=(x_{j}(1),x_{j}(2),x_{j}(3),...,x_{j}(n)). j=1,2,3,...,s

    比较数列:
    xi=(xi(1),xi(2),xi(3),...,xi(n)).i=1,2,3,...,t x_{i}=(x_{i}(1),x_{i}(2),x_{i}(3),...,x_{i}(n)). i=1,2,3,...,t

    由以上两个数列,定义关联度矩阵如下:
    灰色关联度就在
    (2)模型说明
    ①变量ζji(k)ζ_{ji}(k)表示的是第ii个比较数列与第jj个参考数列第kk个样本之间的关联系数。
    minminxj(k)xi(k)min min|x_{j}(k)-x_{i}(k)|maxmaxxj(k)xi(k)max max|x_{j}(k)-x_{i}(k)|表示的是参考数列矩阵与比较数列矩阵数值作差之后的最小值和最大值。把minminxj(k)xi(k)min min|x_{j}(k)-x_{i}(k)|maxmaxxj(k)xi(k)max max|x_{j}(k)-x_{i}(k)|耦合到变量中可以保证ζji(k)ζ_{ji}(k)之值位于[0,1]区间,同时上下对称的结构可以消除量纲不同和数值悬殊的问题。
    xj(k)xi(k)|x_{j}(k)-x_{i}(k)|式被称之为“Hamming”距离,Hamming距离的倒数被称之为反倒数距离,灰色关联度的本质就是通过反倒数的大小来判定关联程度:假设有曲线xix_{i}xjx_{j}上面的点(k,xi(k))(k,x_{i}(k))(k,xj(k))(k,x_{j}(k)),这两个点的Hamming距离越大,表示两条曲线距离越大,倒数也就越小。反过来,倒数越大,表示两个曲线之间的距离越小,因为曲线已经消除了量级之间的差异,则Hamming距离越小的曲线形态就越相似。因此,灰色关联度的本质其实是依据曲线态势相近程度来分辨数列的相关度。
    ④分辨率ρρ取值在[0,1]之间

    (3)定义数列相关度
    z(1)(k)=x(1)(k)+x(1)(k1)2k=2,3,4 z^{(1)}(k)=\frac{x^{(1)}(k)+x^{(1)}(k-1)}{2},k=2,3,4

    则称新数列z(1)=(z(1)(2),z(1)(3),...,z(1)(n))z^{(1)}=(z^{(1)}(2),z^{(1)}(3),...,z^{(1)}(n))x(1)x^{(1)}的紧邻均值数列。
    (4)定义GM(1,1)的灰微分方程
    由于ζji(k)ζ_{ji}(k)只能反映出点与点之间的相关性,相关性信息分散,不方便刻画数列之间的相关性,需要把它整合起来,所以我们在此,定义相关度:
    相关度
    如果把xix_{i}xjx_{j}之间的相关度写成矩阵形式,则有
    关联度的矩阵形式
    根据这个矩阵我们就可以很清楚得出,待比较数列从列可以看出其作用大小,参考数列从行可以看出其受影响程度的大小,而依据矩阵数值大小可以分析出比较数列矩阵中那些数列起到主要作用。比如某一列数值明显大于其他列,这样的数列叫做优势子因素,反之为劣势子因素;如果某一行数值明显大于其他行则称之为优势母因素,优势母因素比较敏感,容易受到子因素的驱动影响。

    MATLAB源码

    %灰色关联度矩阵模型
    clc;
    close;
    clear all;
    % 控制输出结果精度
    format short;
    % 原始数据,其中前五项为子因素,后两项为母因素
    x=[
    10	10	10	12	12	12	12	12	15	15	15	15	12	12	12	15	15	15	15	20	20	20	10	10	10	7	7	15	15	15	13	13	13	13	13	13
    1216.482	612.364	477.838	988.53	482.685	468.074	1263.494	1235.787	422.27	1276.28	494.07	464.21	454.431	736.462	530.722	507.105	1067.189	911.603	519.956	1703.432	1570.14	521.364	984.01	158.825	199.623	1536.96	402.327	305.36	1012.77	982.12	500	520	1100	1783.644	404.951	584.652
    910	910	910	707	707	707	707	707	1196	1196	1196	1196	1262	1262	1262	1004	1004	1004	1004	870	870	870	1023	1023	1023	1398	1398	1361	1361	1361	1702	1702	1702	1702	1702	1702
    804.35	804.35	804.35	877.89	877.89	877.89	877.89	877.89	785.66	785.66	785.66	785.66	788.43	788.43	788.43	818.99	818.99	818.99	818.99	841.59	841.59	841.59	874.38	874.38	874.38	823.76	823.76	784.29	784.29	784.29	764.43	764.43	764.43	764.43	764.43	764.43
    990.24	990.24	990.24	948.08	948.08	948.08	948.08	948.08	747.03	747.03	747.03	747.03	809.27	809.27	809.27	909.25	909.25	909.25	909.25	869.5	869.5	869.5	925.45	925.45	925.45	774.6	774.6	782.25	782.25	782.25	703.67	703.67	703.67	703.67	703.67	703.67
    20	20	20	26.5	26.5	26.5	26.5	26.5	21.8	21.8	21.8	21.8	22.5	22.5	22.5	17.98	17.98	17.98	17.98	16.7	16.7	16.7	22	22	22	19.6	19.6	30.5	30.5	30.5	22.8	22.8	22.8	22.8	22.8	22.8
    23.65	23.65	23.65	28	28	28	28	28	22.45	22.45	22.45	22.45	23.45	23.45	23.45	20	20	20	20	17	17	17	22.45	22.45	22.45	20	20	31.5	31.5	31.5	23	23	23	23	23	23
    ];
    n1=size(x,1);
    % 数据标准化处理
    for i = 1:n1
    x(i,:) = x(i,:)/x(i,1);
    end
    % 保存中间变量,亦可省略此步,将原始数据赋予变量data
    data=x;
    
    %% 分离数据
    % 分离参考数列(母因素)
    consult=data(6:n1,:);
    m1=size(consult,1);
    % 分离比较数列(子因素)
    compare=data(1:5,:);
    m2=size(compare,1);
    
    for i=1:m1
    for j=1:m2
    t(j,:)=compare(j,:)-consult(i,:);
    end
    min_min=min(min(abs(t')));
    max_max=max(max(abs(t')));
    % 通常分辨率都是取0.5
    resolution=0.5;
    % 计算关联系数
    coefficient=(min_min+resolution*max_max)./(abs(t)+resolution*max_max);
    % 计算关联度
    corr_degree=sum(coefficient')/size(coefficient,2);
    r(i,:)=corr_degree;
    end
    
    % 输出关联度值并绘制柱形图
    r
    bar(r,0.90);
    axis tight;
    legend('第一行','第二行','第三行','第四行','第五行');% 图例
    grid on;% 加入网格
    
    % 去掉X轴上默认的标签
    set(gca,'XTickLabel','');
    %  设定X轴刻度的位置,这里有2个母因素
    n=2;
    
    % 这里注意:x_range范围如果是[1 n]会导致部门柱形条不能显示出来,所以范围要缩一点
    x_value = 1:1:n;
    x_range = [0.6 n+.4];
    % 获取当前图形的句柄
    set(gca,'XTick',x_value,'XLim',x_range);
    
    % 在X轴上标记2个母因素
    profits={'第六行','第七行'};
    y_range = ylim;
    % 用文本标注母因素名称
    handle_date = text(x_value,y_range(1)*ones(1,n)+.018,profits(1:1:n));
    % y轴标记
    ylabel('影响程度');
    title('各项子因素对母因素的影响作用');
    
    
    展开全文
  • 关联度分析法-灰色关联分析

    千次阅读 2020-09-14 16:50:14
    本文介绍了利用灰色关联度分析方法分析了数据之间的关联度
  • 基于因子敏感性的灰色关联度及其在斜坡稳定性预测中的应用,罗泽华,黄吕卫,针对经典灰色理论以关联系数均值作为关联度的不足,本文基于灰色关联度理论,通过熵权法求取敏感系数,采用关联系数和敏感系数作
  • 灰色关联度分析(Grey Relation Analysis,GRA)原理详解

    万次阅读 多人点赞 2018-12-29 02:22:18
    灰色关联度分析(Grey Relation Analysis,GRA),是一种多因素统计分析的方法。简单来讲,就是在一个灰色系统中,我们想要了解其中某个我们所关注的某个项目受其他的因素影响的相对强弱,再直白一点,就是说:我们...
  • 原始数据表格如下所示,其中t1、t2、t3、t4表示四个不同的时刻,参考序列为Industry,分别计算后三者与Industry的关联度,代码最终返回的是关联度经过排序后的department的相应取值,排序采用逆序排序 import numpy...
  • 引言    上一年组织烧烤活动买食材时,我在...果不其然,摆放在货架29的烧烤架的边上就陈列着塑料小碗大瓶可乐(虽然数量不是很多,但不用再劳烦我奔波于几个货架之间了,真聪明!)    这个线下商店的管理员是...
  • 在分析了灰色关联分析的基本理论和方法的基础上,考虑到故障诊断中模式的各特征参数的随机性和模糊性引起的模式间“相似性”的形状变异和“相近性”的距离差别,引进了相似系数,将关联度和相似系数联合形成综合关联...
  • Matlab自用版灰色关联度模型

    千次阅读 2019-08-21 17:29:41
    对两张图片关联度分析流程图 代码 % 计算关联度 m=4; %子序列 k=15;%序列长度 ...%关联系数矩阵 % 第一步:载入源数据 a0=[15 18 17 18 19 17 18 18 13 17 18 13 18 13 18]; %母序列 a1=[13 ...
  • 考虑到描述城市规模效益指标的随机性和模糊性引起的规模效益间“相似性”的形状变异和“相近性”的距离差别,在灰色关联分析中引进相似系数,将灰色关联度和相似系数联合形成综合关联度,并在经济效益、社会效益、生态...
  • Python进行灰色关联度综合评价

    千次阅读 2020-06-10 13:04:26
    Python进行灰色关联度综合评价概念介绍第一步,读取数据,设置城市名称为索引第二步,设置参考数列第三步,无量纲化指标第四步,计算评价对象指标序列与参考序列的差值第五步,获得最大值最小值第六步,计算关联...
  • 基本思想:根据曲线集合形状的相似程度,判断联系是否紧密,曲线越接近,相应序列之间的关联度越大,反之越小 灰色关联分析优点:计算量小,对样本的量多少有无规律都同样适用,不会出现量化结果与定性分析结果...
  • 对目前描述织物外观形态应用最广泛的悬垂系数与FAST力学性能的关系进行了灰色关联分析,结果表明,悬垂系数和FAST 力学性能具有较高的关联度
  • MATLAB灰色关联度分析

    千次阅读 2019-12-08 10:06:29
    灰色关联度分析(Grey Relation Analysis,GRA),是一种多因素统计分析的方法。简单来讲,就是在一个灰色系统中,我们想要了解其中某个我们所关注的某个项目受其他的因素影响的相对强弱,再直白一点,就是说:我们...
  • python计算灰色关联度

    千次阅读 2020-04-12 17:04:06
    1. 初值法 import pandas as pd import os os.chdir(r"E:\...x=pd.read_excel("灰色关联度1.xlsx", encoding='utf8') x=x.T # 1、数据初值化处理 x_mean=x.mean(axis=1) for i in range(x.index.s...
  • Credibility Microscope: Relating Web PageCredibility Evaluations to Their Textual Content 关联网页可信度分析和文本...实验中,让受访者给网页可信度和网页上每条陈述的可信度、重要性打分。制定了许多网页和陈
  • 灰色关联度矩阵--基于Matlab

    万次阅读 热门讨论 2016-09-10 16:51:14
    % 计算关联系数 coefficient=(min_min+resolution*max_max)./( abs (t)+resolution*max_max); % 计算关联度 corr_degree=sum( coefficient' )/ size (coefficient, 2 ); r( i ,:)=corr_degree; end % 输出...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 19,872
精华内容 7,948
关键字:

关联系数和关联度