python-----因子分析

因子分析用Python做的一个典型例子
一、实验目的
采用合适的数据分析方法对下面的题进行解答

二、实验要求
采用因子分析方法，根据48位应聘者的15项指标得分，选出6名最优秀的应聘者。
三、代码

import pandas as pd
import numpy as np
import math as math
import numpy as np
from numpy import *
from scipy.stats import bartlett
from factor_analyzer import *
import numpy.linalg as nlg
from sklearn.cluster import KMeans
from matplotlib import cm
import matplotlib.pyplot as plt
def main():df=pd.read_csv("./data/applicant.csv")# print(df)df2=df.copy()print("\n原始数据:\n",df2)del df2['ID']# print(df2)# 皮尔森相关系数df2_corr=df2.corr()print("\n相关系数:\n",df2_corr)#热力图cmap = cm.Blues# cmap = cm.hot_rfig=plt.figure()ax=fig.add_subplot(111)map = ax.imshow(df2_corr, interpolation='nearest', cmap=cmap, vmin=0, vmax=1)plt.title('correlation coefficient--headmap')ax.set_yticks(range(len(df2_corr.columns)))ax.set_yticklabels(df2_corr.columns)ax.set_xticks(range(len(df2_corr)))ax.set_xticklabels(df2_corr.columns)plt.colorbar(map)plt.show()# KMO测度def kmo(dataset_corr):corr_inv = np.linalg.inv(dataset_corr)nrow_inv_corr, ncol_inv_corr = dataset_corr.shapeA = np.ones((nrow_inv_corr, ncol_inv_corr))for i in range(0, nrow_inv_corr, 1):for j in range(i, ncol_inv_corr, 1):A[i, j] = -(corr_inv[i, j]) / (math.sqrt(corr_inv[i, i] * corr_inv[j, j]))A[j, i] = A[i, j]dataset_corr = np.asarray(dataset_corr)kmo_num = np.sum(np.square(dataset_corr)) - np.sum(np.square(np.diagonal(A)))kmo_denom = kmo_num + np.sum(np.square(A)) - np.sum(np.square(np.diagonal(A)))kmo_value = kmo_num / kmo_denomreturn kmo_valueprint("\nKMO测度:", kmo(df2_corr))# 巴特利特球形检验df2_corr1 = df2_corr.valuesprint("\n巴特利特球形检验:", bartlett(df2_corr1[0], df2_corr1[1], df2_corr1[2], df2_corr1[3], df2_corr1[4],df2_corr1[5], df2_corr1[6], df2_corr1[7], df2_corr1[8], df2_corr1[9],df2_corr1[10], df2_corr1[11], df2_corr1[12], df2_corr1[13], df2_corr1[14]))# 求特征值和特征向量eig_value, eigvector = nlg.eig(df2_corr)  # 求矩阵R的全部特征值，构成向量eig = pd.DataFrame()eig['names'] = df2_corr.columnseig['eig_value'] = eig_valueeig.sort_values('eig_value', ascending=False, inplace=True)print("\n特征值\n：",eig)eig1=pd.DataFrame(eigvector)eig1.columns = df2_corr.columnseig1.index = df2_corr.columnsprint("\n特征向量\n",eig1)# 求公因子个数m,使用前m个特征值的比重大于85%的标准，选出了公共因子是五个for m in range(1, 15):if eig['eig_value'][:m].sum() / eig['eig_value'].sum() >= 0.85:print("\n公因子个数:", m)break# 因子载荷阵A = np.mat(np.zeros((15, 5)))i = 0j = 0while i < 5:j = 0while j < 15:A[j:, i] = sqrt(eig_value[i]) * eigvector[j, i]j = j + 1i = i + 1a = pd.DataFrame(A)a.columns = ['factor1', 'factor2', 'factor3', 'factor4', 'factor5']a.index = df2_corr.columnsprint("\n因子载荷阵\n", a)fa = FactorAnalyzer(n_factors=5)fa.loadings_ = a# print(fa.loadings_)print("\n特殊因子方差:\n", fa.get_communalities())  # 特殊因子方差，因子的方差贡献度 ，反映公共因子对变量的贡献var = fa.get_factor_variance()  # 给出贡献率print("\n解释的总方差（即贡献率）:\n", var)# 因子旋转rotator = Rotator()b = pd.DataFrame(rotator.fit_transform(fa.loadings_))b.columns = ['factor1', 'factor2', 'factor3', 'factor4', 'factor5']b.index = df2_corr.columnsprint("\n因子旋转:\n", b)# 因子得分X1 = np.mat(df2_corr)X1 = nlg.inv(X1)b = np.mat(b)factor_score = np.dot(X1, b)factor_score = pd.DataFrame(factor_score)factor_score.columns = ['factor1', 'factor2', 'factor3', 'factor4', 'factor5']factor_score.index = df2_corr.columnsprint("\n因子得分：\n", factor_score)fa_t_score = np.dot(np.mat(df2), np.mat(factor_score))print("\n应试者的五个因子得分：\n",pd.DataFrame(fa_t_score))# 综合得分wei = [[0.50092], [0.137087], [0.097055], [0.079860], [0.049277]]fa_t_score = np.dot(fa_t_score, wei) / 0.864198fa_t_score = pd.DataFrame(fa_t_score)fa_t_score.columns = ['综合得分']fa_t_score.insert(0, 'ID', range(1, 49))print("\n综合得分：\n", fa_t_score)print("\n综合得分：\n", fa_t_score.sort_values(by='综合得分', ascending=False).head(6))plt.figure()ax1=plt.subplot(111)X=fa_t_score['ID']Y=fa_t_score['综合得分']plt.bar(X,Y,color="#87CEFA")# plt.bar(X, Y, color="red")plt.title('result00')ax1.set_xticks(range(len(fa_t_score)))ax1.set_xticklabels(fa_t_score.index)plt.show()fa_t_score1=pd.DataFrame()fa_t_score1=fa_t_score.sort_values(by='综合得分',ascending=False).head()ax2 = plt.subplot(111)X1 = fa_t_score1['ID']Y1 = fa_t_score1['综合得分']plt.bar(X1, Y1, color="#87CEFA")# plt.bar(X1, Y1, color='red')plt.title('result01')plt.show()
if __name__ == '__main__':main()

四、实验步骤
（1）引入数据，数据标准化

因为数据是面试中的得分，量纲相同，并且数据的分布无异常值，所以数据可以不进行标准化。
（2）建立相关系数矩阵
计算皮尔森相关系数，从热图中可以明显看出变量间存在的相关性。

进行相关系数矩阵检验——KMO测度和巴特利特球体检验：
KMO值：0.9以上非常好；0.8以上好；0.7一般；0.6差；0.5很差；0.5以下不能接受；巴特利球形检验的值范围在0-1，越接近1，使用因子分析效果越好。

通过观察上面的计算结果，可以知道，KMO值为0.783775605643526，在较好的范围内，并且巴特利球形检验的值接近1，所有可以使用因子分析。
（3）求解特征值及相应特征向量

求公因子个数m,使用前m个特征值的比重大于85%的标准，选出了公共因子是五个。
（4）因子载荷阵

由上可以看出，选择5个公共因子，从方差贡献率可以看出，其中第一个公因子解释了总体方差的50.092%，四个公共因子的方差贡献率为86.42%，可以较好的解释总体方差。
（5）因子旋转

（6）因子得分

（7）根据应聘者的五个因子得分，按照贡献率进行加权，得到最终各应试者的综合得分，然后选出前六个得分最高的应聘者。

所以我们用因子分析产生的前六名分别是：40，39，22，2，10，23

python-----因子分析相关推荐

python 因子分析
目录一.算法作用二.案例 1.关于数据 2.数据标准化 3.适用性检验 3.1 KMO和Bartlett球形检验 4.因子提取 4.1 数据原始特征值.方差贡献率 5 因子旋转 6 因子命名 7 ...
python因子分析案例_Python——因子分析（KMO检验和Bartlett's球形检验）
因子分析用Python做的一个典型例子一.实验目的采用合适的数据分析方法对下面的题进行解答二.实验要求采用因子分析方法,根据48位应聘者的15项指标得分,选出6名最优秀的应聘者. 三.代码 i ...
python 因子分析_因子分析在python上的实现
因子分析(Factor Analysis)是指研究从变量群中提取共性因子的统计技术,这里的共性因子指的是不同变量之间内在的隐藏因子.例如,一个学生的数学.物理.化学成绩都很好,那么潜在的共性因子可能是 ...
Python——因子分析（KMO检验和Bartlett's球形检验）
因子分析用Python做的一个典型例子一.实验目的采用合适的数据分析方法对下面的题进行解答二.实验要求采用因子分析方法,根据48位应聘者的15项指标得分,选出6名最优秀的应聘者. 三.代码 i ...
python 因子分析权重计算方法_【万矿新品】因子研究利器——WindAlpha
原标题:[万矿新品]因子研究利器--WindAlpha 因子选股模型是我们在量化策略研究中使用最多的一种方法.今天,万矿重磅推出一款高效.便捷的因子分析工具--WindAlpha,让您在万矿上用于进行 ...
python因子分析 ic值函数_Python——因子分析（KMO检验和Bartlett's球形检验）
因子分析用Python做的一个典型例子一.实验目的采用合适的数据分析方法对下面的题进行解答二.实验要求采用因子分析方法,根据48位应聘者的15项指标得分,选出6名最优秀的应聘者. 三.代码 i ...
python因子分析论文_Python——因子分析（KMO检验和Bartlett's球形检验）
因子分析用Python做的一个典型例子一.实验目的采用合适的数据分析方法对下面的题进行解答二.实验要求采用因子分析方法,根据48位应聘者的15项指标得分,选出6名最优秀的应聘者. 三.代码 i ...
python因子分析法_Python——因子分析（KMO检验和Bartlett's球形检验）
因子分析用Python做的一个典型例子一.实验目的采用合适的数据分析方法对下面的题进行解答二.实验要求采用因子分析方法,根据48位应聘者的15项指标得分,选出6名最优秀的应聘者. 三.代码 i ...
python因子分析法_python——因子分析
因子分析用Python做的一个典型例子一.实验目的采用合适的数据分析方法对下面的题进行解答二.实验要求采用因子分析方法,根据48位应聘者的15项指标得分,选出6名最优秀的应聘者. 三.代码 i ...
python 因子分析权重计算方法_因子得分如何计算_spss如何计算因子得分
因子得分如何计算各个因子得分是如何计算的?是旋转后的各个因子载荷矩阵中的因子系数*相应的各个指标标准后数据? 解答:因子得分=因子得分系数(因子得分系数矩阵里相应的值)*标准化转化后的数据再问如何 ...

python-----因子分析

python-----因子分析

python-----因子分析相关推荐

最新文章

热门文章