python灰色关联度分析_python实现灰色关联分析(GRA)——以红酒质量指标为例

目录

程序简述

对红酒质量指标数据进行灰色关联分析，首先进行数据标准化，然后计算关联系数矩阵和平均综合关联度

程序输入：第一列为母序列的指标矩阵

程序输出：关联度矩阵

灰色关联分析方法(GRA)，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。

数据集截图

图1，红酒质量指标

程序/数据集下载

核心代码解析

Module/BuildModel.py(接口，可以直接运行)

建立灰色关联度模型，输入数据可选择是否需要标准化，结果保存在对象的result里，该代码可直接运行

# -*- coding: utf-8 -*-

from sklearn.preprocessing import StandardScaler

import pandas as pd

import numpy as np

import os

class GraModel():

'''灰色关联度分析模型'''

def __init__(self,inputData,p=0.5,standard=True):

'''

初始化参数

inputData：输入矩阵，纵轴为属性名，第一列为母序列

p：分辨系数，范围0~1，一般取0.5，越小，关联系数间差异越大，区分能力越强

standard：是否需要标准化

'''

self.inputData = np.array(inputData)

self.p = p

self.standard = standard

#标准化

self.standarOpt()

#建模

self.buildModel()

def standarOpt(self):

'''标准化输入数据'''

if not self.standard:

return None

self.scaler = StandardScaler().fit(self.inputData)

self.inputData = self.scaler.transform(self.inputData)

def buildModel(self):

#第一列为母列，与其他列求绝对差

momCol = self.inputData[:,0]

sonCol = self.inputData[:,0:]

for col in range(sonCol.shape[1]):

sonCol[:,col] = abs(sonCol[:,col]-momCol)

#求两级最小差和最大差

minMin = sonCol.min()

maxMax = sonCol.max()

#计算关联系数矩阵

cors = (minMin + self.p*maxMax)/(sonCol+self.p*maxMax)

#求平均综合关联度

meanCors = cors.mean(axis=0)

self.result = {'cors':{'value':cors,'desc':'关联系数矩阵'},'meanCors':{'value':meanCors,'desc':'平均综合关联系数'}}

if __name__ == "__main__":

#路径目录

curDir = os.path.dirname(os.path.abspath(__file__))#当前目录

baseDir = os.path.dirname(curDir)#根目录

staticDir = os.path.join(baseDir,'Static')#静态文件目录

resultDir = os.path.join(baseDir,'Result')#结果文件目录

#读数

data = [

[1,1.1,2,2.25,3,4],

[1,1.166,1.834,2,2.314,3],

[1,1.125,1.075,1.375,1.625,1.75],

[1,1,0.7,0.8,0.9,1.2]

]

data = np.array(data).T

#建模

model = GraModel(data,standard=True)

print(model.result)

接口调用、运行效果

Main.py

调用BuildModel.py的接口，实例分析，得到红酒质量与红酒PH等指标之间的关联度。

# -*- coding: utf-8 -*-

from Module.BuildModel import GraModel

import pandas as pd

import numpy as np

import os

import matplotlib.pyplot as plt

import seaborn as sns

#路径目录

baseDir = os.path.dirname(os.path.abspath(__file__))#当前目录

staticDir = os.path.join(baseDir,'Static')#静态文件目录

resultDir = os.path.join(baseDir,'Result')#结果文件目录

#接口要求第一列为母序列，即红酒质量

data = pd.read_csv(staticDir+'/winequality-red.csv',sep=';')

columns = ['quality','fixed acidity', 'volatile acidity',

'citric acid', 'residual sugar','chlorides',

'free sulfur dioxide', 'total sulfur dioxide',

'density','pH', 'sulphates', 'alcohol']

data = data[columns]

#建立灰色关联模型，标准化数据

model = GraModel(data,standard=True)

#模型计算结果

result = model.result

#平均关联程度

meanCors = result['meanCors']['value']

#可视化图表

#用来正常显示中文标签

plt.rcParams['font.sans-serif']=['SimHei']

#用来正常显示负号

plt.rcParams['axes.unicode_minus']=False

#可视化矩阵

plt.clf()

plt.figure(figsize=(8,12))

sns.heatmap(meanCors.reshape(1,-1), square=True, annot=True, cbar=False,

vmax=1.0,

linewidths=0.1,cmap='viridis')

plt.yticks([0,],['quality'])

plt.xticks(np.arange(0.5,12.5,1),columns,rotation=90)

plt.title('指标关联度矩阵')

plt.savefig(resultDir+'/指标关联度可视化矩阵.png',dpi=100,bbox_inches='tight')

图2，关联度矩阵热力图

标签：__,plt,为例,python,self,GRA,import,path,os

来源： https://www.cnblogs.com/boom-meal/p/12368475.html