20191104_1_相关性分析

图片是要求，做这个项目没遇到多少问题，因为是老乡，就一会就做完了，看出来大哥是非常想家的，想家里的各种好吃滴，性情中人，期待和大哥在老家相聚

import pandas as pd
#经行数据的读取
from scipy import stats
#利用内置函数进行T,F检验
import numpy as np
#经行数据的转换
from sklearn.linear_model import LinearRegression
#进行线性回归拟合

test=pd.read_excel('data.xlsx')
#进行数据的读取
test.head()
#查看数据的前5行

	年份	国内旅游收入Y（亿元）	国内生产总量（亿元）	旅游人均花费（元）	城镇居民人均旅游花费（元）	农村居民人均旅游花费（元）	公路里程（万公里）	铁路里程（万公里）
0	1994	1023.5	48637.5	195.3	414.7	54.9	111.78	5.90
1	1995	1375.7	61339.9	218.7	464.0	61.5	115.70	5.97
2	1996	1638.4	71813.6	256.2	534.1	70.5	118.58	6.49
3	1997	2112.7	79715.0	328.1	599.8	145.7	122.64	6.60
4	1998	2391.2	85195.5	345.0	607.0	197.0	127.85	6.64

	年份	国内生产总量（亿元）	旅游人均花费（元）	城镇居民人均旅游花费（元）	农村居民人均旅游花费（元）	公路里程（万公里）	铁路里程（万公里）
年份	1.000000	0.952538	0.966061	0.976979	0.941216	0.965176	0.945997
国内生产总量（亿元）	0.952538	1.000000	0.971205	0.903729	0.961831	0.928085	0.989733
旅游人均花费（元）	0.966061	0.971205	1.000000	0.945682	0.992297	0.917496	0.971065
城镇居民人均旅游花费（元）	0.976979	0.903729	0.945682	1.000000	0.911933	0.937125	0.903507
农村居民人均旅游花费（元）	0.941216	0.961831	0.992297	0.911933	1.000000	0.886918	0.961750
公路里程（万公里）	0.965176	0.928085	0.917496	0.937125	0.886918	1.000000	0.897841
铁路里程（万公里）	0.945997	0.989733	0.971065	0.903507	0.961750	0.897841	1.000000

回归分析

X=data
#子变量
y=test['国内旅游收入Y（亿元）']
#因变量
linreg = LinearRegression()
#调用函数
linreg.fit(X,y)
#通过函数进行模拟

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None, normalize=False)

print (linreg.intercept_)
#输出常数项
print (linreg.coef_)
#输出系数

1282685.7525530097
[-6.51930861e+02  6.72869974e-02 -1.92976293e+01  1.40380907e+011.11478507e+01 -3.19039647e+01  2.60569416e+03]

#线性函数为y=1282685.7525530097-6.51930861e+02+6.72869974e-02 -1.92976293e+01+1.40380907e+01+1.11478507e+01 -3.19039647e+01 +2.60569416e+03

T检验

#https://www.cnblogs.com/IvyWong/p/10134012.html
stats.ttest_rel(test['城镇居民人均旅游花费（元）'],test['农村居民人均旅游花费 （元）'])
#ttest_ind函数

Ttest_relResult(statistic=31.167470983557163, pvalue=6.2907747913193846e-21)

F检验

stats.f_oneway(test['城镇居民人均旅游花费（元）'],test['农村居民人均旅游花费 （元）'])
#f_oneway函数

F_onewayResult(statistic=85.61876329986252, pvalue=3.019481312593332e-12)

20191104_1_相关性分析相关推荐

用spss做多组两两相关性分析_两独立样本T检验及如何利用SPSS实现其操作
上一篇文章我们讲解了有关单样本T检验的相关内容(如何使用SPSS进行单样本检验),其实论文中除了常用到的单样本T检验以外,还有另外一种T检验的方法也是经常用到的统计方法,也就是两独立样本T检验说到T ...
内科学与计算机专业的相关性,急性心肌梗死患者QT间期变异性及心率变异性与室性心律失常的相关性分析-内科学专业论文.docx...
苏州大学学位论文使用授权声明本人完全了解苏州大学关于收集.保存和使用学位论文的规定, 苏州大学学位论文使用授权声明本人完全了解苏州大学关于收集.保存和使用学位论文的规定, 即:学位论文著作权归属苏州 ...
Python使用matplotlib可视化相关性分析热力图图heatmap、使用seaborn中的heatmap函数可视化相关性热力图（Correllogram）
Python使用matplotlib可视化相关性分析热力图图heatmap.使用seaborn中的heatmap函数可视化相关性热力图(Correllogram) 目录
R语言伪相关性分析（Spurious Correlation）、相关关系不是因果关系：以哺乳动物数据集msleep为例
R语言伪相关性分析(Spurious Correlation):相关关系不是因果关系.相关关系不是因果关系.相关关系不是因果关系 #correlation doesn't means causatio ...
R语言伪相关性分析（Spurious Correlation）、相关关系不是因果关系：以缅因州离婚率数据集为例
R语言伪相关性分析(Spurious Correlation).相关关系不是因果关系:以缅因州离婚率数据集为例 #correlation doesn't means causation 目录
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战目录 R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
python可视化lassocv特征筛选之后的特征的相关性分析热力图
python可视化lassocv特征筛选之后的特征的相关性分析热力图目录 python可视化lassocv特征筛选之后的特征的相关性分析热力图 #lassocv模型
R语言描述性统计分析：相关性分析
R语言描述性统计分析:相关性分析相关性分析:pearson.spearman.kendall 相关性系数的显著性检验: 偏相关性分析: library(ISwR) attach(thuesen) c ...
R多变量相关性分析及相关性可视化
R多变量相关性分析及相关性可视化目录 R多变量相关性分析及相关性可视化多变量相关性计算
语言相关系数显著性_相关性分析在SPSS中的具体操作，一文读懂相关系数的含义及使用——【杏花开生物医药统计】...
相关性分析介绍生物和医学统计中,相关分析属于流程前端的探索性分析,研究变量间关系及性质,其结果在为下一步采取何种方法做出指引,为数据挖掘之前的基础工作. 相关系数的选择相关分析之前,需要先确认变量 ...

20191104_1_相关性分析

相关性分析

回归分析

T检验

F检验

20191104_1_相关性分析相关推荐

最新文章

热门文章