Python实现灰色关联分析与结果可视化的详细代码

今天小编通过代码以灰色色系为例给大家介绍Python灰色关联分析实现方法，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析，感兴趣的朋友一起看看吧

灰色关联分析法

对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，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。

简介

灰色系统理论提出了对各子系统进行灰色关联度分析的概念，意图透过一定的方法，去寻求系统中各子系统（或因素）之间的数值关系。因此，灰色关联度分析对于一个系统发展变化态势提供了量化的度量，非常适合动态历程分析。

计算步骤

确实参考数列与比较数列
对参考数列与比较数列进行无量纲化处理
计算关联系数,求关联度

此处我给出的是第三步的实现方式,无量纲化请自己处理.数据使用UCI的红酒质量数据集.

代码实现

下载数据

import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline # 定义下载数据的函数 def ReadAndSaveDataByPandas(target_url = None,file_save_path = None ,save=False): if target_url !=None: target_url = ("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv") if file_save_path != None: file_save_path = "/home/fonttian/Data/UCI/Glass/glass.csv" wine = pd.read_csv(target_url, header=0, sep=";") if save == True: wine.to_csv(file_save_path, index=False) return wine # 从硬盘读取数据进入内存 wine = pd.read_csv("/home/font/Data/UCI/WINE/wine.csv") wine.head()

实现灰色关联分析

import pandas as pd from numpy import * def GRA_ONE(DataFrame,m=0): gray= DataFrame #读取为df格式 gray=(gray - gray.min()) / (gray.max() - gray.min()) #标准化 std=gray.iloc[:,m]#为标准要素 ce=gray.iloc[:,0:]#为比较要素 n=ce.shape[0] m=ce.shape[1]#计算行列 #与标准要素比较，相减 a=zeros([m,n]) for i in range(m): for j in range(n): a[i,j]=abs(ce.iloc[j,i]-std[j]) #取出矩阵中最大值与最小值 c=amax(a) d=amin(a) #计算值 result=zeros([m,n]) result[i,j]=(d+0.5*c)/(a[i,j]+0.5*c) #求均值，得到灰色关联值 result2=zeros(m) result2[i]=mean(result[i,:]) RT=pd.DataFrame(result2) return RT def GRA(DataFrame): list_columns = [str(s) for s in range(len(DataFrame.columns)) if s not in [None]] df_local = pd.DataFrame(columns=list_columns) for i in range(len(DataFrame.columns)): df_local.iloc[:,i] = GRA_ONE(DataFrame,m=i)[0] return df_local

data_wine_gra = GRA(wine) # data_wine_gra.to_csv(path+"GRA.csv") 存储结果到硬盘 data_wine_gra

Empty DataFrame Columns: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11] Index: []

结果可视化

# 灰色关联结果矩阵可视化 import seaborn as sns %matplotlib inline def ShowGRAHeatMap(DataFrame): import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline colormap = plt.cm.RdBu plt.figure(figsize=(14,12)) plt.title('Pearson Correlation of Features', y=1.05, size=15) sns.heatmap(DataFrame.astype(float),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True) plt.show() ShowGRAHeatMap(data_wine_gra)