python 实现 Friedman统计检验

python 实现 Friedman统计检验

基于此，Friedman检验F_F被定义为：
其中，N表示数据集的数量，k表示算法个数，r^j_i表示第j个算法在第i个数据集的排名。
python代码实现如下：

import numpy as np #导入numpy

以数组形式传入需要比较的值，本例比较的是6个算法，13个数据的排名，

A= np.array([[3,2,5,6,4,1],[5,2.5,6,2.5,4,1],[5,4,6,2.5,2.5,1],[5,6,4,2,3,1],[6,3,5,2,4,1],
                      [4.5,6,2.5,2.5,4.5,1],[4,3,6,5,2,1],[2,5,3,6,4,1],[6,4.5,2,4.5,3,1],
                      [4,5,6,3,2,1],[5,4,6,2,3,1],[2,5,6,3,4,1],[3,5,2,6,4,1]])

定义Friedman函数，

def Friedman(n,k,data_matrix):
    '''
    Friedman检验 
    参数：数据集个数n, 算法种数k, 排序矩阵data_matrix
    返回值是Tf
    '''
    
    #计算每个算法的平均序值，即求每一列的排序均值
    N = data_matrix.shape[1]#查看数据形状
    rank_mean = list()
    for i in range(N):#计算平均序值
        rank_mean.append(data_matrix[:,i].mean())
    print("rank_mean:",np.round(rank_mean,2))
    sum_mean = np.array(rank_mean)#转换数据结构方便下面运算
    ## 计算总的排名和
    sum_ri2_mean = (sum_mean ** 2).sum()
    #计算Tf
    result_Tx2 = (12 * n) * (sum_ri2_mean - ((k * (k + 1) ** 2) / 4)) / (k * (k + 1))
    result_Tf = (n - 1) * result_Tx2 / (n * (k - 1) - result_Tx2)
    
    return result_Tf

调用Friedman函数，

value = Friedman(13,6,A)
print(round(value,2))

输出结果：
rank_mean: [4.19 4.23 4.58 3.62 3.38 1. ]
11.2

查看临界值

Friedman检验，服从（k-1）和（k-1）（N-1）的分布，本例中算法数为6，案例数为13时服从分布是F(5,60),其中5=6-1，60=(6-1)(13-1)。查临界值表，当alpha取值0.05时，可得Friedman检验的临界值为2.368

这里可以查看临界值的计算和表，点击跳转：添加链接描述