معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A toolkit for estimating the correlation between variables

ویژگی	مقدار
سیستم عامل	-
نام فایل	correlation-kit-1.0.0.dev2
نام	correlation-kit
نسخه کتابخانه	1.0.0.dev2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Donghua Chen
ایمیل نویسنده	douglaschan@126.com
آدرس صفحه اصلی	https://github.com/dhchenx/correlation-kit
آدرس اینترنتی	https://pypi.org/project/correlation-kit/
مجوز	-

# Correlation Kit A toolkit for estimating the correlation values between variables ## Installation ```pip pip install correlation-kit ``` ## Correlation between two continual variables ```python import pandas as pd from correlation_kit.ck_wrapper import CorrelationKit # set a dataframe or read from a csv file d = {'x': [1, 2, 3.5, 4], 'y': [3, 4, 4.5, 6]} df = pd.DataFrame(data=d) # set x label and y label for correlation x = "x" y = "y" # calc def get_correlation(x, y, corr_type): stat = 0 p = 0 if corr_type == "pearson": stat, p = CorrelationKit(df).get_pearson(x, y) elif corr_type == "spearman": stat, p = CorrelationKit(df).get_spearman(x, y) elif corr_type == "kendalltau": stat, p = CorrelationKit(df).get_kendalltau(x, y) return stat, p # print results print("pearson = ", get_correlation(x, y, "pearson")) print("spearman = ", get_correlation(x, y, "spearman")) print("kendalltau = ", get_correlation(x, y, "kendalltau")) ``` ## Estimate correlation between binary and continual variables ```python import pandas as pd from correlation_kit.ck_wrapper import CorrelationKit # set a dataframe or read from a csv file d = {'x': ['large', 'large', 'small', 'small'], 'y': ['hot', 'hot', 'cold', 'cold'],'z':[0,1,2.5,3]} df = pd.DataFrame(data=d) # set x label and y label for correlation, which is suitable for binary variables r_p,r_s,r_k=CorrelationKit(df).get_corr_between_category_and_continual('x','large','z') # large=1; otherewise 0 # results print('pearson: ',r_p) print('speraman: ',r_s) print('kendalltau: ',r_k) ``` ## Estimate F value between multiple-category variable and continual variables ```python import pandas as pd from ck_wrapper import CorrelationKit # set a dataframe or read from a csv file d = {'x': ['large', 'large', 'middle','small', 'small'], 'y': ['hot', 'hot','warm', 'cold', 'cold'],'z':[0,1,2,2.5,3]} df = pd.DataFrame(data=d) # set x label and y label for correlation, which is suitable for multiple-category variables F,p=CorrelationKit(df).get_f_oneway('x',['large','middle','small'],'z') # results print('F: ',F) print('p: ',p) ``` ## License The `Correlation-Kit` project is provided by [Donghua Chen](https://github.com/dhchenx).

زبان مورد نیاز

مقدار	نام
>=3.6, <4	Python

نحوه نصب

نصب پکیج whl correlation-kit-1.0.0.dev2:

pip install correlation-kit-1.0.0.dev2.whl

نصب پکیج tar.gz correlation-kit-1.0.0.dev2:

pip install correlation-kit-1.0.0.dev2.tar.gz