网站开发进度管理表,做百度推广需要有自己的网站吗,数据需求 网站建设,桂林尚品网络做的网站好不好目录
介绍#xff1a;
模板#xff1a;
案例#xff1a;哪些原因影响结婚率 数据标准化#xff1a;
灰色关联度系数#xff1a;
完整代码#xff1a;
结果#xff1a;
介绍#xff1a; 灰色关联度是一种多指标综合评价方法#xff0c;用于分析和评价不同指标之…目录
介绍
模板
案例哪些原因影响结婚率 数据标准化
灰色关联度系数
完整代码
结果
介绍 灰色关联度是一种多指标综合评价方法用于分析和评价不同指标之间的关联程度。它可以用于确定多个因素之间的相关性以及它们对某个问题或现象的影响程度。 灰色关联度根据数据的相对大小和发展趋势将指标划分为灰色数列然后通过计算各指标之间的相对关联度来确定其关联程度。 灰色关联度的计算过程包括以下几个步骤 1. 数据标准化将各指标的原始数据进行标准化处理将其转化为无量纲的数据。 2. 累积生成将各指标数据按照一定顺序进行累积生成得到灰色数列。 3. 关联系数计算计算各指标与问题或现象之间的关联度得到关联系数。 4. 排序和评价根据关联系数对指标进行排序评价其对问题或现象的影响程度。 通过灰色关联度分析可以帮助人们理解指标之间的关系并进一步确定影响问题或现象的主要因素。这种方法常用于战略决策、经济发展、工程管理等领域具有较高的应用价值。 模板
import numpy as npdef gray_relation_coefficient(x, y):计算两个序列的灰色关联度参数:x: 序列x一维数组y: 序列y一维数组返回值:关联度值floatn len(x)# 数据标准化x_mean np.mean(x)y_mean np.mean(y)x_std np.std(x)y_std np.std(y)x_normalized (x - x_mean) / x_stdy_normalized (y - y_mean) / y_std# 构造灰色数列x_cumulative np.cumsum(x_normalized)y_cumulative np.cumsum(y_normalized)# 计算关联系数d np.abs(x_cumulative - y_cumulative)delta np.max(d)rho 0.5relation_coefficient (rho * delta 1) / (d rho * delta 1)return relation_coefficient# 测试示例
x np.array([1, 2, 3, 4, 5])
y np.array([2, 5, 7, 9, 11])relation_coefficient gray_relation_coefficient(x, y)
print(关联度值, relation_coefficient)
案例哪些原因影响结婚率 数据标准化
def normalization(data1):[m, n] data1.shape # 得到行数和列数data2 data1.astype(float)data3 data2ymin 0.001ymax 1for j in range(0, n):d_max max(data2[:, j])d_min min(data2[:, j])data3[:, j] (ymax - ymin) * (data2[:, j] - d_min) / (d_max - d_min) ymin#print(data3)return data3
灰色关联度系数 def Score(data):# 得到其他列和参考列相等的绝对值data3data[n, m] data3.shape#print(n)for i in range(1, m):data3[:, i] np.abs(data3[:, i] - data3[:, 0])# 得到绝对值矩阵的全局最大值和最小值data4 data3[:, 1:m]d_max np.max(data4)d_min np.min(data4)a 0.5 # 定义分辨系数# 计算灰色关联矩阵data4 (d_min a * d_max) / (data4 a * d_max)score np.mean(data4, axis0)return score 完整代码
# codinggbk
import pandas as pd
import numpy as np
def normalization(data1):[m, n] data1.shape # 得到行数和列数data2 data1.astype(float)data3 data2ymin 0ymax 1for j in range(0, n):d_max max(data2[:, j])d_min min(data2[:, j])data3[:, j] (ymax - ymin) * (data2[:, j] - d_min) / (d_max - d_min) ymin#print(data3)return data3def Score(data):# 得到其他列和参考列相等的绝对值data3data[n, m] data3.shape#print(n)for i in range(1, m):data3[:, i] np.abs(data3[:, i] - data3[:, 0])# 得到绝对值矩阵的全局最大值和最小值data4 data3[:, 1:m]d_max np.max(data4)d_min np.min(data4)a 0.5 # 定义分辨系数# 计算灰色关联矩阵data4 (d_min a * d_max) / (data4 a * d_max)print(灰色关联矩阵)print(data4)score np.mean(data4, axis0)return scoreif __name__ __main__:# 导入数据data pd.read_excel(D:\\桌面\\建模\\6\\代码\\marry.xlsx)# print(data)# 提取变量名label_need data.keys()[1:]# print(label_need)# 提取上面变量名下的数据data1 data[label_need].values#print(data1)data3normalization(data1)#标准化scoresScore(data3)#算灰色关联度[m, n] data1.shape # 得到行数和列数#print(data)print()for i in range(1, n):print(label_need[0], 与, label_need[i], 的灰色关联度, scores[i - 1])
结果
