数据分析-61-基于可视化与卡方检验探索emoji表情使用情况（包含代码和数据）

于 2025-01-01 10:30:00 发布
阅读量1.1k 收藏 18
点赞数 24
分类专栏： # Python数据分析 文章标签： 数据分析 数据挖掘 算法学习 论文辅导 人工智能 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42363541/article/details/143182937
版权

算法学习、4对1辅导、论文辅导、核心期刊
项目的代码和数据下载可以通过公众号滴滴我

文章目录

数据下载

算法学习、4对1辅导、论文辅导、核心期刊
项目的代码和数据下载可以通过公众号滴滴我

一、项目背景

Emoji，作为数字交流中的色彩斑斓的小图标，已经成为了现代沟通中不可或缺的一部分，从简单的笑脸到复杂的场景描绘，表情符号为线上对话增添了情感和语境，使得信息传达更加生动且富有表现力，随着社交媒体和即时通讯应用的普及，表情符号的使用范围日益广泛，甚至超越了语言和文化的界限，成为全球用户之间跨文化交流的通用语言。
本项目旨在通过对不同社交平台上 emoji 表情符号使用状况的深入分析，揭示表情符号在不同情境、平台、性别和年龄群体中的使用模式。为此，通过可视化和卡方检验的方法，探讨表情符号的使用规律以及其与用户特征之间的关系。

二、数据说明

该数据共5000条，共5个字段。分别是：Emoji、Context、Platform、User Age、User Gender。

列名说明
Emoji使用的表情符号。
Context表情符号使用的情境（如愤怒、庆祝、困惑等）。
Platform使用的平台（如 Snapchat、Instagram、Facebook 等）。
User Age用户年龄。
User Gender用户性别（如男性、女性等）。

下面是表的部分数据。
在这里插入图片描述

三、数据处理

1、Python库导入及数据读取

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import ipywidgets as widgets
from IPython.display import display
import scipy.stats as stats

data = pd.read_csv("emoji_usage_dataset.csv")

2、数据预览

# 查看数据信息
data.info()

在这里插入图片描述

查看分类特征的唯一值

# 查看分类特征的唯一值
characteristic = ['Emoji','Context','Platform','User Gender']
for i in characteristic:
    print(f'{i}:')
    print(data[i].unique())
    print('-'*50)

在这里插入图片描述

data.head()

在这里插入图片描述

四、可视化分析

1、表情符号与情境使用频率

# 为了方便观察，以及探究自己想要研究的表情符号，这里封装了一个制作交互式表格的函数。
def interactive_pivot_table(data, index_feature, column_feature, aggfunc='size', fill_value=0):
    """
    创建一个交互式数据透视表，并提供排序和转置的功能。

    参数:
    - data: pandas DataFrame, 数据源
    - index_feature: str, 作为数据透视表行索引的列名称
    - column_feature: str, 作为数据透视表列索引的列名称
    - aggfunc: str 或 函数, 数据透视表的聚合函数，默认是 'size'，即计数
    - fill_value: 数值, 用于填充缺失值的值，默认是 0
    """

    # 生成数据透视表
    # pivot_table 是 pandas 用于快速生成数据透视表的方法
    # index 是行索引，columns 是列索引，aggfunc 是聚合函数，fill_value 是填充值
    pivot_table = data.pivot_table(index=index_feature, columns=column_feature, aggfunc=aggfunc, fill_value=fill_value)
    
    # 添加 'Total' 列和行，计算每行和每列的总和
    pivot_table.loc['Total'] = pivot_table.sum(axis=0)  # 计算每列的总和并添加为新行 'Total'
    pivot_table['Total'] = pivot_table.sum(axis=1)  # 计算每行的总和并添加为新列 'Total'
    
    def display_table_fixed(sort_by=None, ascending=False, transpose=False):
        """
        显示排序后的数据透视表，并根据需要转置行列。

        参数:
        - sort_by: str, 要排序的列或行的名称
        - ascending: bool, 排序顺序，默认是 False，表示降序
        - transpose: bool, 是否转置行列，默认是 False
        """

        # 根据 transpose 参数确定是否转置数据表
        data_to_display = pivot_table.transpose() if transpose else pivot_table

        # 如果没有指定排序列，或者指定的排序列不存在，默认使用 'Total'
        if sort_by is None or sort_by not in data_to_display.columns:
            sort_by = 'Total'

        try:
            # 排序数据，首先排除 'Total' 行或列
            sorted_table = data_to_display.drop(index='Total', errors='ignore').sort_values(by=sort_by, ascending=ascending)
            
            if sort_by == 'Total':
                # 如果以 'Total' 作为排序依据
                if transpose:
                    # 如果转置了数据表，'Total' 列放在第一列，'Total' 行放在最后
                    sorted_table['Total'] = data_to_display['Total']
                    sorted_table = sorted_table[['Total'] + [col for col in sorted_table.columns if col != 'Total']]
                    sorted_table.loc['Total'] = data_to_display.loc['Total']
                else:
                    # 未转置时，将 'Total' 行放在最后，'Total' 列放在第一列
                    sorted_table.loc['Total'] = data_to_display.loc['Total']
                    sorted_table = sorted_table.loc[[row for row in sorted_table.index if row != 'Total'] + ['Total']]
                    sorted_table = sorted_table[['Total'] + [col for col in sorted_table.columns if col != 'Total']]
            else:
                # 以其他列或行排序时，排序依据放在第一列或行，'Total' 放在最后
                if transpose:
                    sorted_table['Total'] = data_to_display['Total']
                    sorted_table = sorted_table[[sort_by] + [col for col in sorted_table.columns if col != sort_by and col != 'Total'] + ['Total']]
                    sorted_table.loc['Total'] = data_to_display.loc['Total']
                else:
                    sorted_table.loc['Total'] = data_to_display.loc['Total']
                    sorted_table = sorted_table.loc[[row for row in sorted_table.index if row != 'Total'] + ['Total']]
                    sorted_table = sorted_table[[sort_by] + [col for col in sorted_table.columns if col != sort_by and col != 'Total'] + ['Total']]

            # 显示最终排序和调整后的数据表
            display(sorted_table)

        except KeyError as e:
            display(f"错误: {e}")  # 如果指定的排序列或行不存在，抛出 KeyError 并显示错误信息
        except Exception as e:
            display(f"意外错误: {e}")  # 捕获所有其他类型的异常，并显示错误信息

    def update_sort_options(change):
        """
        根据是否转置数据表，动态更新排序依据选项。

        参数:
        - change: 监听事件的变化对象
        """
        # 如果转置了数据表，排序依据应是行索引，否则是列索引
        if change.new:
            sort_by_dropdown.options = list(pivot_table.index)
        else:
            sort_by_dropdown.options = list(pivot_table.columns)

    # 初始化排序依据的默认值为 'Total'，如果 'Total' 在列名中，则使用它作为默认值
    default_sort_by = 'Total' if 'Total' in pivot_table.columns else pivot_table.columns[0]

    # 创建排序依据的下拉选择框
    sort_by_dropdown = widgets.Dropdown(
        options=list(pivot_table.columns),  # 选择排序的列
        value=default_sort_by,  # 默认选择 'Total'
        description='排序依据:'  # 显示的标签
    )

    # 创建升序/降序的切换按钮
    order_toggle = widgets.ToggleButtons(
        options=[('降序', False), ('升序', True)],  # 两个选项：降序和升序
        description='排序顺序:',  # 显示的标签
        disabled=False,  # 允许点击
        button_style=''  # 样式设置为空
    )

    # 创建转置行列的复选框
    transpose_toggle = widgets.Checkbox(
        value=False,  # 默认不转置
        description='转置行/列',  # 显示的标签
        disabled=False  # 允许点击
    )

    # 将交互式组件绑定到 display_table_fixed 函数，并显示出来
    ui = widgets.interactive(display_table_fixed, sort_by=sort_by_dropdown, ascending=order_toggle, transpose=transpose_toggle)
    # 监听转置复选框的变化，当转置状态改变时，动态更新排序依据选项
    transpose_toggle.observe(update_sort_options, names='value')

    # 显示整个交互式界面
    display(ui)

interactive_pivot_table(data,'Emoji','Context')

在这里插入图片描述

通过观察此交互表格，得到如下结论：

  1. 使用最多的表情符号是🤣，最少的是😉，其中： 愤怒 (angry) 情境下常用的表情符号有：😭、🤔 和 😜。 喜欢 (love) 情境下常用的表情符号有：👍、🙏 和 🎉。 困惑 (confusion) 情境下常用的表情符号有：👏、😏 和 😅。庆祝 (celebration) 情境下常用的表情符号有：😘、😇 和 🤪。搞笑 (funny) 情境下常用的表情符号有：🙏、🥰 和 💔。支持 (support) 情境下常用的表情符号有：💕、🎉 和 😅。惊讶 (surprise) 情境下常用的表情符号有：💔、😭 和 🤔。 开心 (happy) 情境下常用的表情符号有：😡、😇 和 🙏。 酷 (cool) 情境下常用的表情符号有：🤩、💕 和 😅。悲伤 (sad) 情境下常用的表情符号有：😜、😢 和 ❤。
  2. 在所有情境中，出现最多的情境是喜欢(love)，最少的情境是开心(happy)和惊讶(surprise)，其中以❤、🎉、👍为例：❤、🎉和👍出现在喜欢(love) 的情境最多。

2、表情符号与平台使用频率

interactive_pivot_table(data,'Emoji','Platform')

在这里插入图片描述

通过观察此交互表格，得到如下结论：

  1. 所有平台中，Twitter 使用的表情符号是最多的，其中：Snapchat 平台下常用的表情符号有：🤗、😅 和 😏。Instagram 平台下常用的表情符号有：😜、🎉 和 🤩。Facebook 平台下常用的表情符号有：😭、🎉 和 🙏Twitter 平台下常用的表情符号有：💕、🤣 和 👍。TikTok 平台下常用的表情符号有：👏、🤣 和 😊。WhatsApp 平台下常用的表情符号有：🤔、💔 和 🤣。
  2. 以❤、🎉、👍为例：🤣 出现在 Twitter 和 TikTok 平台最多。🎉 出现在 Instagram 和 Facebook 平台最多。👍 出现在 Twitter 和 Instagram 平台最多。

3、表情符号在不同年龄段的使用频率

# 定义年龄段
bins = [13, 19, 29, 39, 49, 59, 65]
labels = ['13-19岁', '20-29岁', '30-39岁', '40-49岁', '50-59岁', '60-65岁']
data['Age Group'] = pd.cut(data['User Age'], bins=bins, labels=labels, right=True)

interactive_pivot_table(data,'Emoji','Age Group')

在这里插入图片描述

总结：
13-19岁 年龄段下常用的表情符号有：💔、😳 和 🤗。
20-29岁 年龄段下常用的表情符号有：👏、💔 和 😜。
30-39岁 年龄段下常用的表情符号有：🤣、👏 和 😭。
40-49岁 年龄段下常用的表情符号有：🙏、🤔 和 💕。
50-59岁 年龄段下常用的表情符号有：🤣、😜 和 🎉。
60-65岁 年龄段下常用的表情符号有：😜、😊 和 💕。

4、性别差异下表情符号的使用频率

interactive_pivot_table(data,'Emoji','User Gender')

在这里插入图片描述

总结

  1. 女性最常用的符号表情是：🎉、💔和🤣。
  2. 男性最常用的符号表情是：🤣、👏和🤔。

5、不同平台下的用户情况

plt.figure(figsize=(10, 6))
sns.boxplot(x='Platform', y='User Age', data=data)
plt.title('不同平台下的用户年龄分布')
plt.xlabel('平台')
plt.ylabel('用户年龄')
plt.show()

在这里插入图片描述

plt.figure(figsize=(10,6))
sns.countplot(x='Platform', hue='User Gender', data=data)
plt.title('不同平台上的用户性别分布')
plt.xlabel('平台')
plt.ylabel('用户数量')
plt.show()

在这里插入图片描述

总结：

  1. 各个平台的用户年龄分布都较为广泛，从20岁到60岁以上的用户都有分布。
  2. 各个平台的用户年龄中位数大致在40岁左右，这表明各个平台的用户在年龄上较为均衡，没有明显的年轻化或老龄化趋势。
  3. 在所有平台中，Twitter 和 Instagram 的用户年龄分布略偏年轻，年龄中位数略低，可能表明这两个平台在年轻用户中更受欢迎。
  4. 各个平台上男性和女性用户的分布都比较均衡，但在不同平台之间存在一些差异。

五、卡方检验

def chi_square_test(data,var1, var2):
    contingency_table = pd.crosstab(data[var1], data[var2])
    chi2, p, dof, expected = stats.chi2_contingency(contingency_table)
    return chi2, p

1、使用表情符号的因素

chi_square_results = {}
cat_features = ['Context', 'Platform', 'User Gender','Age Group']
chi_square_results = {feature: chi_square_test(data,feature, 'Emoji') for feature in cat_features}

chi_square_df = pd.DataFrame.from_dict(chi_square_results,orient='index',columns=['Chi-Square','P-Value'])
chi_square_df

在这里插入图片描述

  1. 平台虽然接近显著水平，但其影响较弱。
  2. 年龄、情境和性别似乎对表情符号的选择没有显著影响，表明在这些维度上用户的选择相对一致。

可能是因为数据类别过多且过于分散，这里使用前10个高频表情符号，以及把10个情境划分为积极、消极、中性3个情境再研究一次。

# 筛选频率前10的表情以及将情境化分为3类
top_10_emojis = data['Emoji'].value_counts().head(10).index

data_top_emojis = data[data['Emoji'].isin(top_10_emojis)]
context_mapping = {
    'celebration': 'positive',
    'happy': 'positive',
    'love': 'positive',
    'angry': 'negative',
    'sad': 'negative',
    'confusion': 'negative',
    'cool': 'neutral',
    'support': 'neutral',
    'surprise': 'neutral',
    'funny': 'neutral'
}
data_top_emojis = data[data['Emoji'].isin(top_10_emojis)].copy()
data_top_emojis['Context Group'] = data_top_emojis['Context'].map(context_mapping)

chi_square_results = {}
cat_features = ['Context Group', 'Platform', 'User Gender','Age Group']
chi_square_results = {feature: chi_square_test(data_top_emojis,feature, 'Emoji') for feature in cat_features}

chi_square_df = pd.DataFrame.from_dict(chi_square_results,orient='index',columns=['Chi-Square','P-Value'])
chi_square_df

在这里插入图片描述
优化后，发现平台达到了显著水平，但是年龄、情境和性别似乎对表情符号的选择没有显著影响。

2、选择平台的影响因素

chi_square_results = {}
cat_features = ['Context', 'User Gender','Age Group']
chi_square_results = {feature: chi_square_test(data ,feature, 'Platform') for feature in cat_features}

chi_square_df = pd.DataFrame.from_dict(chi_square_results,orient='index',columns=['Chi-Square','P-Value'])
chi_square_df

在这里插入图片描述
通过卡方检验，发现选择平台的选择似乎不太受到情境、性别或年龄组的影响。

六、总结

本项目主要通过可视化和卡方检验研究emoji表情的使用情况，结论如下：

  1. 使用最多的表情符号是🤣，最少的是😉，不同情境下常用的表情符号如下：
    • 愤怒 (angry) 情境下常用的表情符号有：😭、🤔 和 😜。
    • 喜欢 (love) 情境下常用的表情符号有：👍、🙏 和 🎉。
    • 困惑 (confusion) 情境下常用的表情符号有：👏、😏 和 😅。
    • 庆祝 (celebration) 情境下常用的表情符号有：😘、😇 和 🤪。
    • 搞笑 (funny) 情境下常用的表情符号有：🙏、🥰 和 💔。
    • 支持 (support) 情境下常用的表情符号有：💕、🎉 和 😅。
    • 惊讶 (surprise) 情境下常用的表情符号有：💔、😭 和 🤔。
    • 开心 (happy) 情境下常用的表情符号有：😡、😇 和 🙏。
    • 酷 (cool) 情境下常用的表情符号有：🤩、💕 和 😅。
    • 悲伤 (sad) 情境下常用的表情符号有：😜、😢 和 ❤。
  2. 在所有情境中，出现最多的情境是喜欢(love)，最少的情境是开心(happy)和惊讶(surprise)，其中以❤、🎉、👍为例：❤、🎉和👍出现在喜欢(love) 的情境最多。
  3. 所有平台中，Twitter 使用的表情符号是最多的，并且不同平台下常用的表情符号如下：
    • Snapchat 平台下常用的表情符号有：🤗、😅 和 😏。
    • Instagram 平台下常用的表情符号有：😜、🎉 和 🤩。
    • Facebook 平台下常用的表情符号有：😭、🎉 和 🙏。
    • Twitter 平台下常用的表情符号有：💕、🤣 和 👍。
    • TikTok 平台下常用的表情符号有：👏、🤣 和 😊。
    • WhatsApp 平台下常用的表情符号有：🤔、💔 和 🤣。
  4. 以❤、🎉、👍为例：🤣 出现在 Twitter 和 TikTok 平台最多。🎉 出现在 Instagram 和 Facebook 平台最多。👍 出现在 Twitter 和 Instagram 平台最多。
  5. 不同年龄段下常用的表情符号如下：
    • 13-19岁 年龄段下常用的表情符号有：💔、😳 和 🤗。
    • 20-29岁 年龄段下常用的表情符号有：👏、💔 和 😜。
    • 30-39岁 年龄段下常用的表情符号有：🤣、👏 和 😭。
    • 40-49岁 年龄段下常用的表情符号有：🙏、🤔 和 💕。
    • 50-59岁 年龄段下常用的表情符号有：🤣、😜 和 🎉。
    • 60-65岁 年龄段下常用的表情符号有：😜、😊 和 💕。
  6. 性别差异下使用的表情偏好：
    • 女性最常用的符号表情是：🎉、💔和🤣。
    • 男性最常用的符号表情是：🤣、👏和🤔。
  7. 根据卡方检验，可以认为平台与表情符号使用之间可能存在一定的关联，其他的年龄、使用情境、性别与表情符号使用之间的关联并不大。

算法学习、4对1辅导、论文辅导、核心期刊
项目的代码和数据下载可以通过公众号滴滴我

R可视化绘制卡方分布图（Chi-Square Distribution）
Mrrunsen的博客
07-28 1085
在统计学中，卡方分布（Chi-Square Distribution）是一种重要的概率分布，通常用于处理计数数据和进行假设检验。在R中，我们可以使用概率密度函数（PDF）和累积分布函数（CDF）来绘制卡方分布图。这样，你就可以在同一张图上同时可视化卡方分布的概率密度函数和累积分布函数了。上述代码中，我们在范围从0到20的区间内计算了卡方分布的累积分布函数值，并将结果保存在数据框。中分别计算了卡方分布的概率密度函数和累积分布函数值，然后使用。绘制折线图来可视化卡方分布的累积分布函数。
R语言检验独立性：卡方检验(Chi-square test)和费舍尔精确检验分析案例报告
weixin_34378922的博客
05-23 4552
统计测试最常见的领域之一是测试列联表中的独立性。在这篇文章中，我将展示如何计算列联表，我将在列联表中引入两个流行的测试：卡方检验和Fisher精确检验。 什么是列联表？ 列联表提供关于两个分类变量的测量的整数计数。最简单的列联表是一个2×22×2频率表，由两个变量产生，每个变量有两个级别： 组/观察观察1观察2 第1组 ñ1，1ñ1，1 ñ1，2ñ1，2 ...
R语言卡方检验与结果可视化---ggstatsplot包
m0_45248682的博客
01-26 1万+
R语言卡方分析与结果可视化 1，卡方分析简介 2，R语言chisq.test() 3，基于ggstatsplot包的可视化分析
统计推断结果的可视化(卡方分布,t分布,F分布)
qq_49236009的博客
11-13 955
卡方检验是利用卡方分布来检验总体的某种假设，主要用于类别变量的推断，比图，一个类别变量的拟合优度，两个类别变量的独立性检验等。下面检验并可视化以下假设：①不同满意度的人数分布是否有显著差异。②网购次数与满意度是否独立。上图是该检验卡方统计量的概率分布，红色阴影面积为显著性水平0.05，其对应的自由度为2时的卡方分布临界值为5.991；蓝色竖线是该检验得到的统计量的位置，统计量的值为59.2.由于检验统计量远大于临界值，拒绝原假设，表示不同满意度之间的人数分布有显著差异。
R实战|卡方检验及其可视化
weixin_45822007的博客
12-31 5255
R实战|卡方检验及其可视化卡方检验卡方检验是一种以分布为基础的用途广泛的假设检验方法。是一种非参数检验方法。检验就是统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论...
SPSS独立样本t检验、ANOVA检验、卡方检验和Tableau可视化——预测企业员工离职以及原因分析（2）
weixin_69471669的博客
06-04 2260
根据前面机器学习找出的权重较大的属性，对这些属性进行假设检验和可视化展现，观察不同类别是否对离职率有显著影响。
Statistics基础之Hypothesis Tests2---卡方检验
weixin_44607838的博客
10-12 517
介绍 在之前的一篇文章中，我已经介绍了t分布以及t检验，在这篇文章中，我会来介绍另一种重要的分布–卡方分布(Chi-squared distribution) 和 与之相关的检验，卡方检验。 卡方分布 首先，我们知道我们可以通过标准化过程将一个满足正态分布的变量x转化为满足N(0,1)的标准正态分布z，自由度为n的卡方分布就是n个独立标准正态分布zi=1,2,3,…n的平方和的分布。对于一个这样的卡方分布，其均值为n,方差为2n。关于具体的推导，推荐这个视频给大家。 下面是卡方分布的PDF和CDF的可视化结
数据分析-61-基于可视化与卡方检验探索emoji表情使用情况
最新发布
12-30
Emoji，作为数字交流中的色彩斑斓的小图标，已经成为了现代沟通中不可或缺的一部分，从简单的笑脸到复杂的场景描绘，表情...为此，通过可视化和卡方检验的方法，探讨表情符号的使用规律以及其与用户特征之间的关系。
【数据模型构建指南】：如何基于emoji数据集建立预测模型？
本文主要探讨了数据模型的构建基础，涵盖了理论知识的梳理、emoji数据集的探索分析、预测模型构建流程及优化策略，并通过实战案例分析加以实践。首先，对数据集的准备和预处理、机器学习基础概念和特征工程进行理论...
【高级统计测试实战】：统计分析验证emoji使用趋势的假设
随后，文章深入探讨了统计分析的理论基础，包括统计量、分布、假设检验流程以及错误类型与功效分析。高级统计测试方法章节涵盖了参数检验、非参数检验和多变量分析，详述了各种方法的应用场景和具体分析过程。在统计...
文本数据分析基础：处理文本数据的技术与方法
文本数据分析是指对文本数据进行收集、清洗、转换、建模和解释的过程。在这个过程中，我们利用各种文本挖掘、自然语言处理和机器学习技术来提取数据中的信息、模式和知识。 ## 1.2 文本数据分析的重要性 随着信息...
R语言卡方检验最全总结
医学和生信笔记的博客
10-30 1万+
完美观看体验请至公众号查看本文。，专注R语言在临床医学中的使用，R语言数据分析和可视化。卡方检验/列联表资料的卡方检验在临床中非常常见！因为最近又有一批临床数据要进行统计，所以趁机把卡方检验的R语言实现再重新梳理一遍。这篇文章涵盖了。课本电子版和配套数据已上传到QQ群，需要的朋友加群下载即可。
卡方检验
weixin_39631030的博客
10-04 1473
卡方检验，统计学的方法，现在机器学习看变量的时候也会用到。 很多不知道的人，一听到这个名词，会马上联想到， 啊？还要拿张卡来检验吗？ 其实卡方检验是英文Chi-Square Test 的谐音。在大数据运营场景中，通常用在某个变量(或特征)值是不是和因变量有显著关系。 我常听到运营和分析师这样的对话， 分析师：“这个变量我做了卡方检验了，不显著，所以我没有放进模型。” 这时候，你要是仔细...
卡方检验及R语言实现
热门推荐
lijinxiu123的博客
03-27 3万+
卡方检验及R语言实现
卡方检验的原理作用以及Python、R语言的实现方式
新手村
10-07 2万+
卡方检验（chi-square test） 或称X^2检验，主要作用是判定实际统计数据是否符合期望值，之后便可以演变出各种用法，例如：特征选择，变量各类的出现概率，变量是否相互有关联等。 主要公式： 右侧的X^2代表卡方值，卡方值=[(观测值O-期望值E)/期望值E]所有的组别的累加。 例子： 假设一果农场，今年水果产量记为观察值，往年产量记为期望值，所生
高中生都能看懂的卡方检验
少年单排，记录点滴
08-08 1万+
卡方检验 卡方检验，不了解的人乍一听，心想这是啥？怎么这么唬人啊。嘿嘿，不用担心和害怕，我会尝试白话介绍卡方检验，让你搞明白不费力！ 下面，我将从：什么是卡方检验，卡方检验在机器学习中能干什么的，以及卡方检验的实际应用三方面来逐步递进的介绍。 1、什么是卡方检验 1.1、简介 卡方检验，出自于统计学，是统计学中的一种方法，在机器学习中也有应用到。卡方检验是用来检验两个变量之间有没有关系。...
卡方检验简单笔记
qq_18369669的博客
12-09 2113
卡方检验简单笔记 一种计数资料的假设检验方法 1.独立性检验 2.适合性检验
数据挖掘与数据分析（三）—— 探索性数据分析EDA(多因子与复合分析) & 可视化(1)—— 假设检验(μ&卡方检验&方差检验(F检验))&相关系数(皮尔逊&斯皮尔曼)
hxxjxw的博客
10-26 679
假设检验与方差检验 相关系数：皮尔逊、斯皮尔曼 回归分析 PCA与奇异值分解
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

AI研习星球

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

实付元
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