Nano Hash - криптовалюты, майнинг, программирование

Получение ошибки Ptython с таблицей OLS Anova - statsmodels

Я пытаюсь создать ANOVA с statsmodels и получаю сообщение об ошибке

[изображение таблицы]

variable    value

0 x-y-20 -0.070000 1 x-y-20 0.090000 2 x-y-20 0.080000 3 x-y-20 -0.030000

код

melt_t['variable'].replace({'x-y-20':'set-a','x-y-40':'set-b','x-y-60':'set-c'}, inplace=True)
results = ols('value ~ Q(variable)', data=melt_t).fit()
results.summary()

ошибка


PatsyError: Error evaluating factor: TypeError: 'Series' objects are mutable, thus they cannot be hashed
    value ~ Q(variable)
            ^^^^^^^^^^^

Я пытаюсь получить следующую таблицу https://i0.wp.com/pythonfordatascience.org/wp-content/uploads/2018/04/anova-statsmodel-results-1.png?w=613&ssl=1< /а>

Любой совет будет принят с благодарностью!

Спасибо

python-3.x statsmodels
15.07.2019

Ответы:


1

Я не уверен, что вам действительно нужно преобразование Q(), но если вам нужно/хотите его использовать, похоже, вы опустили необходимые кавычки вокруг variable:

data = {'variable': {0: 'x-y-20', 1: 'x-y-40', 2: 'x-y-60', 3: 'x-y-20'},
        'value': {0: -0.07, 1: 0.09, 2: 0.08, 3: -0.03}}
df = pd.DataFrame(data)
df['variable'].replace({'x-y-20':'set-a','x-y-40':'set-b','x-y-60':'set-c'}, inplace=True)
results = smf.ols('value ~ Q("variable")', data=df).fit()
results.summary()

дает (отрывок):

                             coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------------------
Intercept                 -0.0500      0.020     -2.500      0.242      -0.304       0.204
Q("variable")[T.set-b]     0.1400      0.035      4.041      0.154      -0.300       0.580
Q("variable")[T.set-c]     0.1300      0.035      3.753      0.166      -0.310       0.570

(Я получаю ту же таблицу, используя 'value ~ variable' без Q().)

15.07.2019
  • Спасибо @brendan! Ты прав. Это работает, когда я удаляю «Q». Спасибо! 15.07.2019
  • @RTP Рад, что это сработало для вас. Пожалуйста, подумайте о том, чтобы принять / проголосовать, если вы нашли это полезным. 15.07.2019
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..