Python 嵌套字典中包含的向量的相关性
我有一个嵌套的dict,具有下一个结构:Python 嵌套字典中包含的向量的相关性,python,loops,dictionary,for-loop,python-2.x,Python,Loops,Dictionary,For Loop,Python 2.x,我有一个嵌套的dict,具有下一个结构: {Cell_name_1 : {KPI_name_1: [value1, value2, ..., valueN], KPI_name_2: [value1, value2, ..., valueN], ..., KPI_name_N: [value1, value2, ..., valueN]}, Cell_name_2 : {KPI_name_1
{Cell_name_1 : {KPI_name_1: [value1, value2, ..., valueN],
KPI_name_2: [value1, value2, ..., valueN],
...,
KPI_name_N: [value1, value2, ..., valueN]},
Cell_name_2 : {KPI_name_1: [value1, value2, ..., valueN], ...},
Cell_name_N : {....}}
我想检查不同单元格中包含的vectos之间的相关性(我已经定义了这个方法,所以它是一个辅助函数)。比如说:
vector_1 = [64.0, 66.0, 53.5, 52.1, 54.0] #[values from KPI_name_1 from Cell_name_1]
vector_2 = [84.0, 86.0, 63.5, 72.1, 24.0] #[values from KPI_name_2 from Cell_name_2]
correlation(vector_1, vector_2)
我尝试了不同的字典循环方式(普通循环、带while和conditions的经典循环等),但我没有找到获得所需内容的方法
例如,代码如下所示:
dic_sem = {'16895555': {'KPI_name_1': [64.0, 66.0, 53.5, 52.1, 54.0],
'KPI_name_2': [54.0, 56.0, 23.5, 32.1, 84.0]},
'16894444': {'KPI_name_1': [84.0, 86.0, 63.5, 72.1, 24.0],
'KPI_name_2': [24.0, 26.0, 63.5, 92.1, 84.0]}}
'16895555'
和'16894444'
是不同的单元名称
您可以迭代字典并创建单元名称字典,例如KPI\u name\u 1
到包含向量的列表中
from collections import defaultdict
vectors = defaultdict(list)
#Iterate over the values
for value in dic_sem.values():
#Create your vectors dictionary
for k, v in value.items():
vectors[k].append(v)
print(dict(vectors))
输出将是
{'KPI_name_1': [[64.0, 66.0, 53.5, 52.1, 54.0], [84.0, 86.0, 63.5, 72.1, 24.0]],
'KPI_name_2': [[54.0, 56.0, 23.5, 32.1, 84.0], [24.0, 26.0, 63.5, 92.1, 84.0]]}
然后,您可以迭代此字典的值,并相应地调用correlation
for value in vectors.values():
print(value[0], value[1])
#correlation(*value)
这里的输出将是
[64.0, 66.0, 53.5, 52.1, 54.0] [84.0, 86.0, 63.5, 72.1, 24.0]
[54.0, 56.0, 23.5, 32.1, 84.0] [24.0, 26.0, 63.5, 92.1, 84.0]
也许
itertools.product
可以在这里提供帮助:
进口itertools
将numpy作为np导入
#获取向量名称(假设所有单元格中都存在键)
字段名称=列表(dic\u sem.values())[0]。键()
#预计算所有对单元
所有单元格对=列表(itertools.product(dic_sem.keys(),dic_sem.keys())
corr={}
对于字段名称中的字段:
corr[field]=np.对所有单元对中的c1、c2进行重塑([correlation(dic_-sem[c1][field],dic_-sem[c2][field]),(len(dic_-sem),-1))
请注意,我们在这里进行的计算是所需计算的两倍以上:相关矩阵是对称的,因此只需计算上三角形或下三角形(例如,使用
itertools.compositions
),不包括对角线(等于1)。但是上面应该给出方向。很抱歉,我不能使用numpy或itertools库。