Friedman检验和Nemenyi后续检验-python实现论文中p值计算与临界差异图的绘制

本文链接：https://blog.youkuaiyun.com/qq_53644346/article/details/133799185

文章目录

前言

Friedman检验和Nemenyi后续检验是论文中最常用的显著性检验方法，两种方法的详细介绍见《机器学习》-西瓜书P42-P44。在本文中，将使用真实论文中的数据进行计算，并绘制出论文中常见的临界差异图（CD），如下图所示。
在这里插入图片描述

Wilcoxon符号秩检验

说明：在Self-Supervised Time Series Clustering With Model-Based Dynamics这篇论文中使用的便是Wilcoxon符号秩检验方法，具体细节他是参考论文Statistical Comparisons of Classifiers over Multiple Data Sets的，下面我就根据论文中的原始数据，实现AVG RANK 和P值的计算。

论文中的数据如图所示：

利用OCR工具获得原始论文中的数据，如下图所示：
利用rank()方法计算各方法在数据集上的排名，python程序如下：

# -*- coding: utf-8 -*-
# @Time : 
# @Author : 
# @Email : 
# @File : 

import pandas as pd

def count_avg(source_csv_file,target_csv_file):
    df=pd.read_csv(source_csv_file,index_col=None)
    df_head=df.columns
    result_df=[]
    #读取每一行数据
    for i in range(len(df)):
        one_row_df=df.iloc[i]
        #获得每一行的排名
        rank_one_row=one_row_df.rank(ascending=False, method='average')
        best_result = rank_one_row.values
        result_df.append(best_result)
    result=pd.DataFrame(result_df,columns=df_head,index=None)  result.to_csv(target_csv_file,mode='w',index=False)
source_csv_file = './file/STCN原始数据.csv'
target_csv_file='./file/STCN原始数据_RANK_NMI.csv'
count_avg(source_csv_file,target_csv_file)

在这里插入图片描述
运行程序，结果如图所示：

求平均值，即可获得各算法的AVG RANK
在这里插入图片描述

与原论文一致：
在这里插入图片描述

在原始数据上计算p值，调用stats.wilcoxon（）方法即可进行Wilcoxon符号秩检验，注意使用python3.7版本，python3.10版本会有警告，且结果和python==3.7及其他版本的可能结果不一样。python程序如下：

# -*- coding: utf-8 -*-
# @Time : 
# @Author : 
# @Email : 
# @File : 
import pandas as pd
import numpy as np
from scipy import stats

source_csv_file = './file/STCN原始数据.xlsx'
def get_p_value(source_csv_file):
    df = pd.read_excel(io=source_csv_file,index_col=None,header=None)
    p_list=[]
    # B_index默认最后一列
    last_index=df.shape[1]-1
    B_index=last_index
    for i in range(last_index):
        A=df.iloc[:,i].values
        B=df.iloc[:,B_index].values

        A=np.array(A)
        B=np.array(B)
        # Wilcoxon符号秩检验
        t,p_value=stats.wilcoxon(A, B, correction=False, alternative='two-sided')
        # t,p=stats.ttest_ind(A,B)
        # print("t:", t, "\t p_value:", p_value)
        p_list.append(p_value)
    print(p_list)
get_p_value(source_csv_file)

计算结果如图所示：
python3.10的结果：
在这里插入图片描述
python3.7的结果：

与原论文一致：
在这里插入图片描述

绘制CD（临界差异）图，python程序如下：

# -*- coding: utf-8 -*-
# @Time : 
# @Author : 
# @Email : 
# @File : 
import Orange
import matplotlib.pyplot as plt

#算法名字
names = ['k-means', 'SC', 'UDFS', 'NDFS', 'RUFS', 'RSFS', 'KSC', 'KDBA', 'K-shape', 'u-shapelet', 'USSL', 'STCN']
#各算法的平均排名
avranks = [9.6528,7.9583,8.7778,6.8889,6.2083,6.2222,
           6.4306,6.6389,7.0417,7.3333,2.5139,2.3333]
#数据集大小
datasets_num = 35
#利用Nemenyi检验计算Critical difference
CD = Orange.evaluation.scoring.compute_CD(avranks, datasets_num, alpha='0.05', test='nemenyi')
Orange.evaluation.scoring.graph_ranks(avranks, names, cd=CD, width=8, textspace=1.5, reverse=True)
plt.show()