Python模块中的类内关联?
我想用Python进行计算。我还没有找到一个具有此功能的现有模块。有其他的名字吗,还是我应该自己取?我知道这个问题是由另一个用户交叉验证提出的,但没有答复。我想比较两个评分员的连续评分。您可以在或中找到一个实现。中有几个实现。这些可以通过包从Python中使用。例如:Python模块中的类内关联?,python,statistics,correlation,Python,Statistics,Correlation,我想用Python进行计算。我还没有找到一个具有此功能的现有模块。有其他的名字吗,还是我应该自己取?我知道这个问题是由另一个用户交叉验证提出的,但没有答复。我想比较两个评分员的连续评分。您可以在或中找到一个实现。中有几个实现。这些可以通过包从Python中使用。例如: 从rpy2.robject导入数据帧、FloatVector、IntVector 从rpy2.robjects.packages导入导入 从数学导入 组=[1,1,1,1,2,2,2,3,3,3,3,4,4, 4, 5, 5, 5
从rpy2.robject导入数据帧、FloatVector、IntVector
从rpy2.robjects.packages导入导入
从数学导入
组=[1,1,1,1,2,2,2,3,3,3,3,4,4,
4, 5, 5, 5, 5, 6, 6, 6, 6, 7, 7, 7, 7, 8, 8, 8, 8]
值=[1,2,0,1,1,3,3,2,3,8,1,4,6,4,3,
3, 6, 5, 5, 6, 7, 5, 6, 2, 8, 7, 7, 9, 9, 9, 9, 8]
r_icc=importr(“icc”)
df=数据帧({“组”:IntVector(组),
“值”:浮点向量(值)})
icc_res=r_icc.ICCbare(“组”,“值”,数据=df)
icc_val=icc_res[0]#icc_val现在保存icc值
#检查icc值是否等于参考值
打印(iClose(国际商会数值,0.728,绝对值=0.001))
该软件包实现了类内相关性(ICC),可计算多种类型的变量,包括ICC(1,1)、ICC(1,k)、ICC(2,1)、ICC(2,k)、ICC(3,1)和ICC(3,k)以及其他指标
在不同的变体之间有很好的比较
您可以通过软件包使用R ICC功能
例如:
type ICC F df1 df2 p lower bound upper bound
Single_raters_absolute ICC1 0.165783 1.794916 5.0 18.0 0.164720 -0.132910 0.722589
Single_random_raters ICC2 0.289790 11.026650 5.0 15.0 0.000135 0.018791 0.761107
Single_fixed_raters ICC3 0.714829 11.026650 5.0 15.0 0.000135 0.342447 0.945855
Average_raters_absolute ICC1k 0.442871 1.794916 5.0 18.0 0.164720 -0.884193 0.912427
Average_random_raters ICC2k 0.620080 11.026650 5.0 15.0 0.000135 0.071153 0.927240
Average_fixed_raters ICC3k 0.909311 11.026650 5.0 15.0 0.000135 0.675657 0.985891
该库以6种不同的方式计算ICC,以及相关的置信水平和p值
您可以使用pip install pingouin
或conda install-c conda forge pingouin安装它
import pingouin as pg
data = pg.read_dataset('icc')
icc = pg.intraclass_corr(data=data, targets='Wine', raters='Judge',
ratings='Scores')
国际商会
基于,我修改了代码,以计算作为表Y输入的数据的相关系数ICC(2,1)、ICC(2,k)、ICC(3,1)或ICC(3,k)(受试者在行,重复测量在列)
我以前没发现。这就是ICC(3,1)的具体实施。我想看看模块中是否存在所有ICC变体的实现。我相信我需要ICC(2,2),如果没有实现,我可以编写。@Hector有另一个icc2的实现。icc2
请检查我的编辑并祝你好运。@Hector非常乐意提供帮助。你可能还想看到问题,其中包括一些代码。我熟悉numpy中的许多函数,但我以前从未见过ICC。您可能还希望搜索scikit learn和statsmodels包的文档。无论用哪种方式,手工实现似乎都不太难。请考虑使用NUMPY,特别是如果速度对你很重要。别忘了在这里发布你的答案,以帮助其他人在将来搜索这个!谢谢你,普拉文。这也是沃尔提供的。在这一点上,我自己写会更快。当在Python中搜索实现时,大多数ICC结果都是英特尔C++编译器。我没发现它被埋在地下。有人可能会发现在scipy/numpy中完全实现ICC很有用。我将继续介绍我使用的实现或代码。现在使用JupyterLab将R和python结合使用更容易。因此,在这种情况下,每列都是一个“组”或“集群”?啊,我明白了。在本例中,似乎有4名法官和6名受试者。所以一般来说,行是“簇”,列是每个簇中的观察数。我有一个关于输入数据的问题。我有很多观察者,他们都会对一些刺激进行三次测量。因此,行是被试,列是单一刺激的三个重复测量。这是否意味着我只能计算一个刺激的ICC?没错。对于每个刺激和每个观察者,您可以使用ICC计算观察者内的可变性。因此,列是三个重复测量值,行是受试者。
type ICC F df1 df2 p lower bound upper bound
Single_raters_absolute ICC1 0.165783 1.794916 5.0 18.0 0.164720 -0.132910 0.722589
Single_random_raters ICC2 0.289790 11.026650 5.0 15.0 0.000135 0.018791 0.761107
Single_fixed_raters ICC3 0.714829 11.026650 5.0 15.0 0.000135 0.342447 0.945855
Average_raters_absolute ICC1k 0.442871 1.794916 5.0 18.0 0.164720 -0.884193 0.912427
Average_random_raters ICC2k 0.620080 11.026650 5.0 15.0 0.000135 0.071153 0.927240
Average_fixed_raters ICC3k 0.909311 11.026650 5.0 15.0 0.000135 0.675657 0.985891
import pingouin as pg
data = pg.read_dataset('icc')
icc = pg.intraclass_corr(data=data, targets='Wine', raters='Judge',
ratings='Scores')
data.head()
| | Wine | Judge | Scores |
|---:|-------:|:--------|---------:|
| 0 | 1 | A | 1 |
| 1 | 2 | A | 1 |
| 2 | 3 | A | 3 |
| 3 | 4 | A | 6 |
| 4 | 5 | A | 6 |
| 5 | 6 | A | 7 |
| 6 | 7 | A | 8 |
| 7 | 8 | A | 9 |
| 8 | 1 | B | 2 |
| 9 | 2 | B | 3 |
| | Type | Description | ICC | F | df1 | df2 | pval | CI95% |
|---:|:-------|:------------------------|------:|-------:|------:|------:|------------:|:-------------|
| 0 | ICC1 | Single raters absolute | 0.773 | 11.199 | 5 | 12 | 0.000346492 | [0.39, 0.96] |
| 1 | ICC2 | Single random raters | 0.783 | 27.966 | 5 | 10 | 1.42573e-05 | [0.25, 0.96] |
| 2 | ICC3 | Single fixed raters | 0.9 | 27.966 | 5 | 10 | 1.42573e-05 | [0.65, 0.98] |
| 3 | ICC1k | Average raters absolute | 0.911 | 11.199 | 5 | 12 | 0.000346492 | [0.65, 0.99] |
| 4 | ICC2k | Average random raters | 0.915 | 27.966 | 5 | 10 | 1.42573e-05 | [0.5, 0.99] |
| 5 | ICC3k | Average fixed raters | 0.964 | 27.966 | 5 | 10 | 1.42573e-05 | [0.85, 0.99] |
import os
import numpy as np
from numpy import ones, kron, mean, eye, hstack, dot, tile
from numpy.linalg import pinv
def icc(Y, icc_type='ICC(2,1)'):
''' Calculate intraclass correlation coefficient
ICC Formulas are based on:
Shrout, P. E., & Fleiss, J. L. (1979). Intraclass correlations: uses in
assessing rater reliability. Psychological bulletin, 86(2), 420.
icc1: x_ij = mu + beta_j + w_ij
icc2/3: x_ij = mu + alpha_i + beta_j + (ab)_ij + epsilon_ij
Code modifed from nipype algorithms.icc
https://github.com/nipy/nipype/blob/master/nipype/algorithms/icc.py
Args:
Y: The data Y are entered as a 'table' ie. subjects are in rows and repeated
measures in columns
icc_type: type of ICC to calculate. (ICC(2,1), ICC(2,k), ICC(3,1), ICC(3,k))
Returns:
ICC: (np.array) intraclass correlation coefficient
'''
[n, k] = Y.shape
# Degrees of Freedom
dfc = k - 1
dfe = (n - 1) * (k-1)
dfr = n - 1
# Sum Square Total
mean_Y = np.mean(Y)
SST = ((Y - mean_Y) ** 2).sum()
# create the design matrix for the different levels
x = np.kron(np.eye(k), np.ones((n, 1))) # sessions
x0 = np.tile(np.eye(n), (k, 1)) # subjects
X = np.hstack([x, x0])
# Sum Square Error
predicted_Y = np.dot(np.dot(np.dot(X, np.linalg.pinv(np.dot(X.T, X))),
X.T), Y.flatten('F'))
residuals = Y.flatten('F') - predicted_Y
SSE = (residuals ** 2).sum()
MSE = SSE / dfe
# Sum square column effect - between colums
SSC = ((np.mean(Y, 0) - mean_Y) ** 2).sum() * n
MSC = SSC / dfc # / n (without n in SPSS results)
# Sum Square subject effect - between rows/subjects
SSR = SST - SSC - SSE
MSR = SSR / dfr
if icc_type == 'icc1':
# ICC(2,1) = (mean square subject - mean square error) /
# (mean square subject + (k-1)*mean square error +
# k*(mean square columns - mean square error)/n)
# ICC = (MSR - MSRW) / (MSR + (k-1) * MSRW)
NotImplementedError("This method isn't implemented yet.")
elif icc_type == 'ICC(2,1)' or icc_type == 'ICC(2,k)':
# ICC(2,1) = (mean square subject - mean square error) /
# (mean square subject + (k-1)*mean square error +
# k*(mean square columns - mean square error)/n)
if icc_type == 'ICC(2,k)':
k = 1
ICC = (MSR - MSE) / (MSR + (k-1) * MSE + k * (MSC - MSE) / n)
elif icc_type == 'ICC(3,1)' or icc_type == 'ICC(3,k)':
# ICC(3,1) = (mean square subject - mean square error) /
# (mean square subject + (k-1)*mean square error)
if icc_type == 'ICC(3,k)':
k = 1
ICC = (MSR - MSE) / (MSR + (k-1) * MSE)
return ICC