掌握Python Pingouin:数据统计新利器解析!

更多学习内容:ipengtao.com

Pingouin库基于pandas、scipy和statsmodels,为用户提供了执行常见统计分析的功能。它支持各种统计方法和假设检验,例如 t-tests、ANOVA、correlation analysis 等。让我们看一些示例代码,以更全面地了解如何使用Pingouin库进行统计分析。

安装Pingouin库

首先,确保已安装Pingouin库:

bash 复制代码
!pip install pingouin

示例1:独立样本t-检验

python 复制代码
import pandas as pd
from pingouin import ttest

# 创建示例数据集
data = pd.DataFrame({
    'Group': ['A'] * 20 + ['B'] * 20,
    'Values': list(range(20)) + list(range(10, 30))
})

# 执行独立样本t-检验
ttest_result = ttest(data=data, dv='Values', between='Group')
print(ttest_result)

以上示例演示了如何使用Pingouin进行独立样本t-检验。首先,创建包含两个组的示例数据集。然后使用ttest()函数进行独立样本t-检验,指定数据、因变量和分组变量,并打印结果。

示例2:相关性分析

python 复制代码
from pingouin import correlation

# 创建包含两个变量的示例数据集
data = pd.DataFrame({
    'X': range(20),
    'Y': range(20) + [5, 9, 3, 6, 8, 4, 7, 2, 1, 0]
})

# 计算Pearson相关系数和显著性
corr = correlation(data=data, x='X', y='Y', method='pearson')
print(corr)

这个示例展示了如何使用Pingouin执行Pearson相关性分析。创建一个包含两个变量的示例数据集,并使用correlation()函数计算了这两个变量之间的Pearson相关系数以及相关性的显著性。

示例3:双因素方差分析(ANOVA)

python 复制代码
from pingouin import anova

# 创建包含两个因素的示例数据集
data = pd.DataFrame({
    'Group': ['A'] * 20 + ['B'] * 20,
    'Values': list(range(20)) + list(range(10, 30)),
    'Category': ['X'] * 10 + ['Y'] * 10 + ['X'] * 10 + ['Y'] * 10
})

# 执行双因素ANOVA
anova_result = anova(data=data, dv='Values', between='Group', detailed=True)
print(anova_result)

这个示例展示了如何使用Pingouin执行双因素方差分析(ANOVA)。创建一个包含两个因素的示例数据集,并使用anova()函数执行双因素ANOVA。指定数据、因变量、分组变量以及detailed=True以获取更详细的分析结果。

配对样本t-检验

python 复制代码
from pingouin import ttest

# 创建示例数据集
data = pd.DataFrame({
    'Before': [5, 7, 3, 6, 2],
    'After': [8, 9, 6, 10, 5]
})

# 执行配对样本t-检验
paired_ttest_result = ttest(data=data, dv='Before', within='After', paired=True)
print(paired_ttest_result)

以上是如何使用Pingouin执行配对样本t-检验的示例。创建包含两列(前后两次观测)的示例数据集,并使用ttest()函数进行配对样本t-检验,指定数据、因变量和配对变量,并打印结果。

线性回归

python 复制代码
from pingouin import linear_regression

# 创建示例数据集
data = pd.DataFrame({
    'X': range(20),
    'Y': range(20) + [5, 9, 3, 6, 8, 4, 7, 2, 1, 0]
})

# 执行线性回归
regression_result = linear_regression(data=data, x='X', y='Y')
print(regression_result)

上述代码展示了如何使用Pingouin进行线性回归。创建包含两个变量的示例数据集,并使用linear_regression()函数执行线性回归分析,计算回归系数、显著性等,并打印结果。

多因素方差分析(ANOVA)

python 复制代码
from pingouin import anova

# 创建包含多个因素的示例数据集
data = pd.DataFrame({
    'Group': ['A'] * 20 + ['B'] * 20,
    'Values': list(range(20)) + list(range(10, 30)),
    'Category': ['X'] * 10 + ['Y'] * 10 + ['X'] * 10 + ['Y'] * 10,
    'Color': ['Red'] * 20 + ['Blue'] * 20
})

# 执行多因素ANOVA
multifactor_anova_result = anova(data=data, dv='Values', between=['Group', 'Color'], detailed=True)
print(multifactor_anova_result)

这个示例展示了如何使用Pingouin进行多因素方差分析(ANOVA)。创建一个包含多个因素的示例数据集,并使用anova()函数执行多因素ANOVA。在此例中,指定了数据、因变量、多个分组变量以及detailed=True以获取更详细的分析结果。

Pingouin库还有更多功能,如非参数检验、协方差分析等。这些功能为用户提供了丰富的统计分析工具,有助于深入了解数据和进行科学实验分析。


Python学习路线

更多学习内容:ipengtao.com

相关推荐
码事漫谈1 天前
# 2027年,AI终于要开始“干活”了
后端
岁月宁静1 天前
五、《从零手撸 Agent》 — 什么是 Agent:从“会聊天”到“会做事”,差的就是一个循环
python·agent
小满zs1 天前
Go语言第二十一章(Gin上传文件)
后端·go
梯度下降者1 天前
Python - 函数
python·高阶函数·可调用对象·functools·嵌套作用域
JavaGuide1 天前
Cloudflare 开源的这套神级安全审计 Skill 太好用了!
前端·后端
学长毕设1 天前
基于SpringBoot社区快递驿站物流配送系统-附源码
java·spring boot·后端
starzy19901 天前
深入理解Scala隐式参数:上下文流转
开发语言·python·scala
Resean02231 天前
Spring 源码分析(七)AOP 原理(上):代理的创建
java·后端·spring
Tangq一定可以的1 天前
Spring AI Advisor 详解 - 给大模型调用加上“切面“,日志/过滤/记忆一键搞定
java·后端·spring
wuyk5551 天前
Spider-第16讲-线程池与竞态问题
大数据·爬虫·python·elasticsearch·搜索引擎