[英]Combinatorics with Number Sets and Correlation Calculation in Python
我有一个组合问题,我甚至在概念化如何使用itertools时都会遇到困难。 我的数据集如下所示:
GoldMeasure Measure1 Measure2 Measure3 Measure4 Measure5 3+4-5
30.501 -1 -1 -1 -1 -1 -1
30.658 -1 -1 0 -1 -1 0
31.281 -1 -1 -1 1 -3
31.506 7 -1 -1 1 -1 1
31.554 -1 -1 -1 -1 -1 -1
31.613 -1 -1 -1 1 0
31.838 -1 -1 -1 -1 -2
31.954 -1 -1 -1 1 -1 1
33.073 1 1 1 -1 2
33.592 -2 -2 2 0 -2 4
Coefficient: -0.054 0.119 0.690 0.474 -0.441 0.723
我试图找到与黄金度量具有最高皮尔逊相关系数的1-5度量的最佳组合。 在上面的数据集中,最佳的单个度量是度量三,系数为0.69。 但是,如果将小数三添加到小四,然后减去小五,您将获得系数为0.72的新组合小数。 本质上,我想确定这五个量度的所有可能组合的相关系数。 这些组合可以是度量的2/5,度量的3/5(如上例中所示),度量的4/5或所有五个度量。
顺序有些重要。 的确,措施3、4和5的加法组合与5、3和4的加法组合相同; 但是,我也试图将算术运算符作为另一个选项(加法或减法)包括在内。 因此,3 + 4 + 5与5 + 3 + 4相同,但3 + 4-5与5 + 3-4不相同。
任何指导或帮助将不胜感激。 实际数据集具有46个度量,并且像上面的示例数据集中一样,有些度量没有特定样本的值。 度量的值既可以是负的,也可以是正的,但不受限制。
预先感谢您的任何帮助。
采取五项措施是可行的。
from itertools import product
from numpy import negative, array_equal
choices = [1, 0, -1]
measures = 5
limit = len(choices)**measures//2+1
count = 0
measure_combinations = []
for p in product(*([choices]*5)):
measure_combinations.append(list(p))
count += 1
if count == limit:
break
print (len(measure_combinations))
例如,其中一个measure_combinations的内部乘积,例如[1,1,0,-1,-1]与度量值列的每一行,将提供一系列值,GoldMeasure可以基于该值进行回归以获得相关系数,这可以针对122种独特的可能性进行。
但是,基于{-1,0,1}的41个重复的乘积的一部分,对于41个小数,将有18,236,498,188,585,393,202个唯一可能性。
from collections import defaultdict
import statistics
import itertools
import scipy.stats
import heapq
#Please add a filename here and use a .csv format.
F=open('filename','r').readlines();
F[0].strip().split(',');
HEADER=[r.strip() for r in F[0].strip().split(',')[2:]];
DDF={};
DDP={};
DDN={};
DDG={};
#Please replace missing values using Excel into "NAA". I have replaced the "NAA"/missing values with average of the column. You may also consider ignoring missing rows before doing correlation between 2 columns.
for f in F[1:]:
DATA=f.strip().split(',');
ATAD=[[i.strip(),j.strip()] for i,j in zip(HEADER,DATA[2:])];
for atad in ATAD:
if atad[0].strip() in DDF.keys():
DDF[atad[0].strip()].append(atad[1].strip());
else:
DDF[atad[0].strip()]=[atad[1].strip()];
if F[0].strip().split(',')[1].strip() in DDG.keys():
DDG[F[0].strip().split(',')[1].strip()].append(float(DATA[1].strip()));
else:
DDG[F[0].strip().split(',')[1].strip()]=[float(DATA[1].strip())];
for ke in DDF.keys():
AVGP=statistics.mean([float(u) for u in DDF[ke.strip()] if u.strip()!='NAA']);
NEWP=[float(nr.strip()) if nr.strip()!='NAA' else AVGP for nr in DDF[ke.strip()]];
if ke in DDP.keys():
DDP[ke.strip()]=NEWP;
else:
DDP[ke.strip()]=NEWP;
AVGN=statistics.mean([-1*float(e) for e in DDF[ke.strip()] if e.strip()!='NAA']);
NEWN=[-1*float(ne.strip()) if ne.strip()!='NAA' else AVGN for ne in DDF[ke.strip()]];
if 'minus_'+ke.strip() in DDN.keys():
DDN['minus_'+ke.strip()]=NEWN;
else:
DDN['minus_'+ke.strip()]=NEWN;
U=0;
L1=DDP.keys()+DDN.keys();
N=range(1,len(L1));
U=[0,0,-1];
for n in N:
DDU=[];
for subset in itertools.combinations(L1,n):
S=[];
SSET=[sset.strip().replace('minus_','') if sset.strip().startswith('minus_') else sset.strip() for sset in list(subset)];
if len(set(SSET))>=len(subset):
TMP=[DDN[p.strip()] if p.strip().startswith('minus_') else DDP[p.strip()] for p in subset];
for y in range(0,len(TMP[0])):
for x in TMP:
S.append(x[y]);
SUM=[sum(S[w:w + n]) for w in range(0, len(S),n)];
K=['+'.join(list(subset)).strip()]+[' vs Cq TREC']+list(scipy.stats.pearsonr(SUM,DDG['Cq TREC']));
if str(K[-2])!='nan':
DDU.append([K[-2],K]);
DDU.sort(key=lambda x: x[0],reverse=True);
for ea in DDU[0:3]:
print repr(n).strip()+','+ea[1][0].strip().replace('+minus_','-').replace('minus_','-')+' '+ea[1][1].strip()+','+repr(ea[1][-2]).strip();
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.