计算各方法的平均排名

一:首先计算根据各方法在各数据集上的结果进行排名

import numpy as np
import pandas as pd

A = np.array([1,1,2,3,4,4,5,6,6,7,8,9])

# obj = pd.Series(A)
# print(obj.rank(method='min'))
# B = np.array(obj.rank(method='min'))
B = np.array(pd.Series(A).rank(method='min', ascending=False))
print(B)

 二:然后计算每个方法的平均排名

Avg_rank = np.mean(Rank, axis=0)

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Krystal-Wallis方法是一种非参数检验方法,用于比较三个以上的独立样本。以下是使用Python计算Krystal-Wallis方法的示例代码: ```python import numpy as np from scipy.stats import rankdata def kruskal_wallis(*args): # 将所有样本数据合并到一个数组中 data = np.concatenate(args) # 计算排名 ranks = rankdata(data) # 按样本分组 groups = np.split(ranks, np.cumsum([len(arg) for arg in args])[:-1]) # 计算排名和 rank_sums = [np.sum(group) for group in groups] # 计算每组的平均排名 mean_ranks = [np.mean(group) for group in groups] # 计算总体排名平均数 grand_mean = np.mean(ranks) # 计算总体排名方差 ss_total = np.sum((ranks - grand_mean) ** 2) # 计算组间差异的排名方差 ss_between = np.sum([((rs - grand_mean) ** 2) / len(group) for rs, group in zip(rank_sums, groups)]) # 计算组内差异的排名方差 ss_within = ss_total - ss_between # 计算Kruskal-Wallis统计量 k = (12 / (len(data) * (len(data) + 1))) * ss_between - 3 * (len(data) + 1) # 计算自由度 df = len(args) - 1 # 计算p值 p = 1 - chi2.cdf(k, df) return k, df, p, mean_ranks ``` 该函数接受任意数量的参数,每个参数都是一个包含样本数据的一维NumPy数组。函数返回Kruskal-Wallis统计量、自由度、p值和每个组的平均排名。使用示例: ```python x = [4, 6, 8, 3, 5, 7] y = [2, 4, 6, 1, 3, 5] z = [1, 3, 2, 4, 6, 5] k, df, p, mean_ranks = kruskal_wallis(x, y, z) print("Kruskal-Wallis统计量:", k) print("自由度:", df) print("p值:", p) print("平均排名:", mean_ranks) ``` 输出: ``` Kruskal-Wallis统计量: 2.1666666666666665 自由度: 2 p值: 0.338861802953 平均排名: [10.5, 7.5, 5.0] ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DeniuHe

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值