python計算p值

『壹』 python2.7中p=['aa', 'bb, 'cc', 'dd']；A = [p['dd']]；的運行結果A應該是什麼

你在哪看到的，最好是有完整代碼，有上下文。
你寫的這個，Python2，和3都跑不了的。

『貳』 python該如何得到ols回歸後的系數的t值

regstats(y1,x1,'linear','tstat');
c1=ans.tstat.beta(1,1);
beta1=ans.tstat.beta(2,1);
t1=ans.tstat.t(2,1);
c1是常數項，beta1是回歸系數，t1就是beta1的t值，這里是單變數線性回歸

『叄』 p=p*2在python中什麼意思

在python裡面表示冪運算，傳遞實參和定義形參（所謂實參就是調用函數時傳入的參數，形參則是定義函數是定義的參數）的時候，你還可以使用兩個特殊的語法：``*``**。調用函數時使用test(*args)*的作用其實就是把序列args中的每個元素，當作位置參數傳進去。比如上面這個代碼，如果args等於(1,2,3)，那麼這個代碼就等價於test(1,2,3)。test(**kwargs)**的作用則是把字典kwargs變成關鍵字參數傳遞。比如上面這個代碼，如果kwargs等於{'a':1,'b':2,'c':3}，那這個代碼就等價於test(a=1,b=2,c=3)。
Python由荷蘭數學和計算機科學研究學會的吉多·范羅蘇姆於1990年代初設計，作為一門叫做ABC語言的替代品。
Python提供了高效的高級數據結構，還能簡單有效地面向對象編程。Python語法和動態類型，以及解釋型語言的本質，使它成為多數平台上寫腳本和快速開發應用的編程語言，隨著版本的不斷更新和語言新功能的添加，逐漸被用於獨立的、大型項目的開發。

『肆』 如何計算百分位數與Python / numpy的

1. 你可能會喜歡SciPy的統計軟體包。它有百分函數你之後，許多其他統計好吃的東西。
此票證相信他們不會被整合percentile()到numpy的很快。
2.
順便說一句，有百分函數的純Python，萬一一個不希望依賴於SciPy的。具體函數如下復制：
## {{{ CodeGo.net (r1)
import math
import functools
def percentile(N, percent, key=lambda x:x):
"""
Find the percentile of a list of values.
@parameter N - is a list of values. Note N MUST BE already sorted.
@parameter percent - a float value from 0.0 to 1.0.
@parameter key - optional key function to compute value from each element of N.
@return - the percentile of the values
"""
if not N:
return None
k = (len(N)-1) * percent
f = math.floor(k)
c = math.ceil(k)
if f == c:
return key(N[int(k)])
d0 = key(N[int(f)]) * (c-k)
d1 = key(N[int(c)]) * (k-f)
return d0+d1
# median is 50th percentile.
median = functools.partial(percentile, percent=0.5)
## end of CodeGo.net }}}

3.
檢查scipy.stats模塊：
scipy.stats.scoreatpercentile
4.
import numpy as np
a = [154, 400, 1124, 82, 94, 108]
print np.percentile(a,95) # gives the 95th percentile

5.
百分看到定義預期結果從提供的列表，低於該值的百分之P被發現的價值。為了得到這一點，你一個簡單的函數。
def percentile(N, P):
"""
Find the percentile of a list of values
@parameter N - A list of values. N must be sorted.
@parameter P - A float value from 0.0 to 1.0
@return - The percentile of the values.
"""
n = int(round(P * len(N) + 0.5))
return N[n-1]
# A = (1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
# B = (15, 20, 35, 40, 50)
#
# print percentile(A, P=0.3)
# 4
# print percentile(A, P=0.8)
# 9
# print percentile(B, P=0.3)
# 20
# print percentile(B, P=0.8)
# 50

如果您寧願從處於或低於該值的百分之P被發現所提供的列表中獲得的價值，這個簡單的修改：
def percentile(N, P):
n = int(round(P * len(N) + 0.5))
if n > 1:
return N[n-2]
else:
return 0

6.
numpy.percentile
在那裡我很想念？
7.
size=len(mylist)
p5=mylist[math.ceil((size*5)/100)-1]
p25=mylist[math.ceil((size*25)/100)-1]
p50=mylist[math.ceil((size*50)/100)-1]
p75=mylist[math.ceil((size*75)/100)-1]
p95=mylist[math.ceil((size*95)/100)-1]

『伍』 數據分析中的P值怎麼計算、什麼意義

一、P值計算方法

左側檢驗P值是當時，檢驗統計量小於或等於根據實際觀測樣本數據計算得到的檢驗統計量值的概率，即p值。

右側檢驗P值是當μ=μ0時，檢驗統計量大於或等於根據實際觀測樣本數據計算得到的檢驗統計量值的概率，即p值。

雙側檢驗P值是當μ=μ0時，檢驗統計量大於或等於根據實際觀測樣本數據計算得到的檢驗統計量值的概率，即p值。

二、P值的意義

P 值即概率，反映某一事件發生的可能性大小。統計學根據顯著性檢驗方法所得到的P 值，一般以P < 0.05 為顯著， P <0.01 為非常顯著，其含義是樣本間的差異由抽樣誤差所致的概率小於0.05 或0.01。

(5)python計算p值擴展閱讀：

數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支持過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。

數據分析的數學基礎在20世紀早期就已確立，但直到計算機的出現才使得實際操作成為可能，並使得數據分析得以推廣。數據分析是數學與計算機科學相結合的產物。

在統計學領域，有些人將數據分析劃分為描述性統計分析、探索性數據分析以及驗證性數據分析;其中，探索性數據分析側重於在數據之中發現新的特徵，而驗證性數據分析則側重於已有假設的證實或證偽。

『陸』 python 命名組的問題：這個P<word>怎麼和1是一個意思的其實它到底是什麼意思啊求詳解

?P<name>是給正則中的組起一個名字
group(1)-group(9)是按正則中左括弧的順序確定組的順序，因此正則中第一對括弧匹配的內容就是group(1)
(?P<name>....) 無論它出現在第幾個括弧中，都是這個名字，與圓括弧的順序無關，它出現在的那對括弧內，就表示這個括弧內匹配的內容就是group(name)

『柒』 pythoprogram'.count('p')的值是

摘要 【'python program'.count('p')的值是_Python Itertools.count()用法及代碼示例_weixin_39573287的博客-CSDN博客】https://blog.csdn.net/weixin_39573287/article/details/111429650

『捌』 怎麼用python算p值和t檢驗

引入相關模塊，這次我們使用stats的
產生兩列隨機變數，用到了stats。norm.rvs，參數loc表示平均數，scale表示標准差，size是樣本量這是產生的兩個變數的數據的一部分
ttest_rel的用法：輸出t和p值從p值可以看出，這兩列數據是沒有差異的。
當然，ttest_rel還可以接受pandas.DataFrame數據，先從excel中讀取數據我們可以看一下數據的基本內容：
我們可以選擇scoreA和ScoreB這兩列數據進行T檢驗輸出的結果可見兩列變數均值無差異
我們還可以同時對多個變數進行檢驗，比如：這是產生的結果可見：第一個array表示t值，兩個表示p值，因此我們可以知道p(scoreA)=0.126>0.05

『玖』 pytnon中如何計算皮爾遜的p值

如何理解皮爾遜相關系數（Pearson Correlation Coefficient）？

皮爾遜相關系數理解有兩個角度

其一, 按照高中數學水平來理解, 它很簡單, 可以看做將兩組數據首先做Z分數處理之後, 然後兩組數據的乘積和除以樣本數

Z分數一般代表正態分布中, 數據偏離中心點的距離.等於變數減掉平均數再除以標准差.(就是高考的標准分類似的處理)

標准差則等於變數減掉平均數的平方和,再除以樣本數,最後再開方.

所以, 根據這個最樸素的理解,我們可以將公式依次精簡為:

其二, 按照大學的線性數學水平來理解, 它比較復雜一點,可以看做是兩組數據的向量夾角的餘弦.

皮爾遜相關的約束條件

從以上解釋, 也可以理解皮爾遜相關的約束條件:

1 兩個變數間有線性關系

2 變數是連續變數

3 變數均符合正態分布,且二元分布也符合正態分布

4 兩變數獨立

在實踐統計中,一般只輸出兩個系數,一個是相關系數,也就是計算出來的相關系數大小,在-1到1之間;另一個是獨立樣本檢驗系數,用來檢驗樣本一致性.

先舉個手算的例子

使用維基中的例子:

例如，假設五個國家的國民生產總值分別是1、2、3、5、8（單位10億美元），又假設這五個國家的貧困比例分別是11%、12%、13%、15%、18%。

創建2個向量.(R語言)

x<-c(1,2,3,5,8)
y<-c(0.11,0.12,0.13,0.15,0.18)

按照維基的例子,應計算出相關系數為1出來.我們看看如何一步一步計算出來的.

x的平均數是:3.8
y的平均數是0.138
所以,

sum((x-mean(x))*(y-mean(y)))=0.308

用大白話來寫就是:

(1-3.8)*(0.11-0.138)=0.0784
(2-3.8)*(0.12-0.138)=0.0324
(3-3.8)*(0.13-0.138)=0.0064
(5-3.8)*(0.15-0.138)=0.0144
(8-3.8)*(0.18-0.138)=0.1764

0.0784+0.0324+0.0064+0.0144+0.1764=0.308

同理, 分號下面的,分別是:

sum((x-mean(x))^2)=30.8sum((y-mean(y))^2)= 0.00308

用大白話來寫,分別是:

(1-3.8)^2=7.84 #平方
(2-3.8)^2=3.24 #平方
(3-3.8)^2=0.64 #平方
(5-3.8)^2=1.44 #平方
(8-3.8)^2=17.64 #平方

7.84+3.24+0.64+1.44+17.64=30.8

同理,求得:

sum((y-mean(y))^2)= 0.00308

然後再開平方根,分別是:

30.8^0.5=5.5497750.00308^0.5=0.05549775

用分子除以分母,就計算出最終結果:

0.308/(5.549775*0.05549775)=1

再舉個簡單的R語言例子(R在這里下載:http://cran.r-project.org/bin/macosx/)

假設有100人, 一組數據是年齡,平均年齡是35歲,標准差是5歲;另一組數據是發帖數量,平均帖子數量是45份post,標准差是8份帖子.

假設這兩組都是正態分布.我們來求這兩者的皮爾遜相關系數,R腳本如下:

> x<-rnorm(n=100,mean=35,sd=5) #創建一組平均數為35,標准差為5,樣本數為100的隨機數
> y<-rnorm(n=100,mean=45,sd=8) #創建一組平均數為45,標准差為8,樣本數為100的隨機數
> cor.test(x,y,method="pearson") #計算這兩組數的相關,並進行T檢驗

然後R輸出結果為:

Pearson's proct-moment correlation

data: x and y
t = -0.0269, df = 98, p-value = 0.9786
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.1990316 0.1938019
sample estimates:
cor
-0.002719791

當然,這里是隨機數.也可以用非隨機的驗證一下計算.

皮爾遜相關系數用於網站開發

直接將R與Ruby關聯起來

調用很簡單,仿照上述例子:

cor(x,y)

就輸出系數結果了.

有這么幾個庫可以參考:

https://github.com/alexgutteridge/rsr...

https://github.com/davidrichards/stat...

https://github.com/jtprince/simpler

說明, 以上為ruby調用庫. pythone程序員可以參考: Rpy (http://rpy.sourceforge.net/)

簡單的相關系數的分類

0.8-1.0 極強相關

0.6-0.8 強相關

0.4-0.6 中等程度相關

0.2-0.4 弱相關

0.0-0.2 極弱相關或無相關

ps : 這個網站開發者不要再次發明輪子,本來用markdown語法寫作很爽,結果又不得不花時間來改動.請考慮盡快支持Markdown語法.

皮爾森相關系數的就是

x和y的協方差/(x的標准差∗y的標准差)

判斷兩組數的線性關系程度。

『拾』 python 輸入正整數pqn,計算p/q的值,精確到小數位n位,控制n使得p/q的值可以達

def test(p, q, n):
return('{a:.{b}f}'.format(a = p/q, b = n))