HierarchiaPy 0.2.5

介绍

HierarchiaPy是用于层次/优势分析方法的优化统计包。它纯粹是用 Python 编写的，主要建立在 Pandas 和 NumPy 之上。可以从 Pandas DataFrame 和 2D Numpy 数组中解析交互数据。这些方法是基于原始发表的论文和测试模块实施的，该模块旨在将结果与参考论文中的示例进行交叉检查。

支配和等级是动物社会行为研究领域的核心概念之一。层次结构（支配地位）可以从个体之间的相互作用（二元关系）中得​​出。有许多技术可以从此类数据集中获得优势。我们可以将它们分为两类；对某些标准进行数值矩阵优化，导致排名顺序 (1) 并为每个可以计算排名的个体计算某个优势度量 (2)。

HierarchiaPy 统计 python 包旨在实现这两个类别的可用方法，使动物社会科学家能够有效、轻松且以可重复的方式获得支配地位。

方法：稳定发布

1. ELO评级
2. 随机 ELO 评分
3. 大卫的分数
4. 标准化大卫分数
5. 平均优势指数
6. 慢板
7. I&SI 98
8. 方向一致性指数 (DCI)
9. 陡峭
10. 陡度测试
11. 平面网络可视化

线性测试：稳定版

1. 朗道氏
2. 改进的朗道 h
3. Kendall 的 K（n<10 的卡方近似和 ECDF）
4. 无偏 Kendall 的 K（未知关系的排列）

方法：正在开发中

3. 工业与安全 13

快速开始

安装

!pip install HierarchiaPy

基本用法

from HierarchiaPy import Hierarchia
import numpy as np

mat_hemelrijk_table_2_1 = np.array([[0, 6, 9, 8, 5],
                                    [0, 0, 4, 6, 0],
                                    [0, 2, 0, 4, 7],
                                    [1, 0, 5, 0, 3],
                                    [0, 0, 2, 3, 0]], dtype='int64')

hier_mat = Hierarchia(mat_hemelrijk_table_2_1, np.array(['a', 'b', 'c', 'd', 'e']))
davids_scores = hier_mat.davids_score()

print(davids_scores)

输出：

{'a': 8.4444, 'b': 1.6111, 'c': -2.3333, 'd': -3.6667, 'e': -4.0556}

文档

有关完整功能和参考，请参阅文档

更改日志

v 0.1.0 - 初始版本
v 0.2.0 - 包含线性统计和测试
v 0.2.1 - 线性测试的热修复
v 0.2.2 - I&SI 98，性能改进
v 0.2.3 - Landau 的 h 经典改进
v 0.2 .4 - 添加了陡峭度、DCI 和网络可视
化 v 0.2.5 - 几个模块的性能改进和矢量化