程序简介
对红酒质量指标数据进行灰色关联分析，首先进行数据标准化，然后计算关联系数矩阵和平均综合关联度
程序输入：第一列为母序列的指标矩阵
程序输出：关联度矩阵
灰色关联分析方法(GRA)，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。
程序/数据集下载
代码分析
导入模块、路径
# -*- coding: utf-8 -*-
from Module.BuildModel import GraModel
import pandas as pd
import numpy as np
import os
import matplotlib.pyplot as plt
import seaborn as sns
#路径目录
baseDir = ''#当前目录
staticDir = os.path.join(baseDir,'Static')#静态文件目录
resultDir = os.path.join(baseDir,'Result')#结果文件目录
读取红酒质量数据，查看内容
#接口要求第一列为母序列，即红酒质量
data = pd.read_csv(staticDir+'/winequality-red.csv',sep=';')
columns = ['quality','fixed acidity', 'volatile acidity',
'citric acid', 'residual sugar','chlorides',
'free sulfur dioxide', 'total sulfur dioxide',
'density','pH', 'sulphates', 'alcohol']
data = data[columns]
data.head()
| quality | fixed acidity | volatile acidity | citric acid | residual sugar | chlorides | free sulfur dioxide | total sulfur dioxide | density | pH | sulphates | alcohol | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 5 | 7.4 | 0.70 | 0.00 | 1.9 | 0.076 | 11.0 | 34.0 | 0.9978 | 3.51 | 0.56 | 9.4 |
| 1 | 5 | 7.8 | 0.88 | 0.00 | 2.6 | 0.098 | 25.0 | 67.0 | 0.9968 | 3.20 | 0.68 | 9.8 |
| 2 | 5 | 7.8 | 0.76 | 0.04 | 2.3 | 0.092 | 15.0 | 54.0 | 0.9970 | 3.26 | 0.65 | 9.8 |
| 3 | 6 | 11.2 | 0.28 | 0.56 | 1.9 | 0.075 | 17.0 | 60.0 | 0.9980 | 3.16 | 0.58 | 9.8 |
| 4 | 5 | 7.4 | 0.70 | 0.00 | 1.9 | 0.076 | 11.0 | 34.0 | 0.9978 | 3.51 | 0.56 | 9.4 |
利用GraModel类建立灰色关联模型，打印结果，该类在文件夹的Module/BuildModel.py中，代码会在下文给出
#建立灰色关联模型，标准化数据
model = GraModel(data,standard=True)
#模型计算结果
result = model.result
#平均关联程度
meanCors = result['meanCors']['value']
print(result)
{'cors': {'value': array([[1. , 0.96198678, 0.78959431, ..., 0.75974072, 0.96920683,
0.97441242],
[1. , 0.9306525 , 0.70441517, ..., 0.98976649, 0.87748443,
0.97000442],
[1. , 0.9306525 , 0.75900106, ..., 0.93497649, 0.89874803,
0.97000442],
...,
[1. , 0.80296849, 0.92265873, ..., 0.96266425, 0.98630178,
0.98636283],
[1. , 0.91597473, 0.81988779, ..., 0.72703752, 0.85720372,
0.91902831],
[1. , 0.78639314, 0.79745798, ..., 0.9909029 , 0.93720807,
0.98636283]]), 'desc': '关联系数矩阵'}, 'meanCors': {'value': array([1. , 0.87336194, 0.84594509, 0.87650184, 0.87830158,
0.87197282, 0.86374431, 0.85600195, 0.8545979 , 0.86426018,
0.89324032, 0.90374 ]), 'desc': '平均综合关联系数'}}
这是上文使用的GraModel类，该代码块可直接运行，输入矩阵，纵轴为属性名，第一列为母序列，输出为关联系数矩阵、平均综合关联系数
# -*- coding: utf-8 -*-
from sklearn.preprocessing import StandardScaler
import pandas as pd
import numpy as np
import os
class GraModel():
'''灰色关联度分析模型'''
def __init__(self,inputData,p=0.5,standard=True):
'''
初始化参数
inputData：输入矩阵，纵轴为属性名，第一列为母序列
p：分辨系数，范围0~1，一般取0.5，越小，关联系数间差异越大，区分能力越强
standard：是否需要标准化
'''
self.inputData = np.array(inputData)
self.p = p
self.standard = standard
#标准化
self.standarOpt()
#建模
self.buildModel()
def standarOpt(self):
'''标准化输入数据'''
if not self.standard:
return None
self.scaler = StandardScaler().fit(self.inputData)
self.inputData = self.scaler.transform(self.inputData)
def buildModel(self):
#第一列为母列，与其他列求绝对差
momCol = self.inputData[:,0].copy()
sonCol = self.inputData[:,0:].copy()
for col in range(sonCol.shape[1]):
sonCol[:,col] = abs(sonCol[:,col]-momCol)
#求两级最小差和最大差
minMin = sonCol.min()
maxMax = sonCol.max()
#计算关联系数矩阵
cors = (minMin + self.p*maxMax)/(sonCol+self.p*maxMax)
#求平均综合关联度
meanCors = cors.mean(axis=0)
self.result = {'cors':{'value':cors,'desc':'关联系数矩阵'},'meanCors':{'value':meanCors,'desc':'平均综合关联系数'}}
if __name__ == "__main__":
#路径目录
curDir = os.path.dirname(os.path.abspath(__file__))#当前目录
baseDir = os.path.dirname(curDir)#根目录
staticDir = os.path.join(baseDir,'Static')#静态文件目录
resultDir = os.path.join(baseDir,'Result')#结果文件目录
#读数
data = [
[1,1.1,2,2.25,3,4],
[1,1.166,1.834,2,2.314,3],
[1,1.125,1.075,1.375,1.625,1.75],
[1,1,0.7,0.8,0.9,1.2]
]
data = np.array(data).T
#建模
model = GraModel(data,standard=True)
print(model.result)
对平均灰色关联系数进行热力图可视化，系数可理解为所有指标与质量的关联，所以第1个值为1
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#用来正常显示负号
plt.rcParams['axes.unicode_minus']=False
#可视化矩阵
plt.clf()
plt.figure(figsize=(8,12))
sns.heatmap(meanCors.reshape(1,-1), square=True, annot=True, cbar=False,
vmax=1.0,
linewidths=0.1,cmap='viridis')
plt.yticks([0,],['quality'])
plt.xticks(np.arange(0.5,12.5,1),columns,rotation=90)
plt.title('指标关联度矩阵')
