| 灰色关联分析(Grey Relation Analysis,GRA)中国经济社会发展指标 | 您所在的位置：网站首页 › 灰色关联度python代码 › 灰色关联分析(Grey Relation Analysis,GRA)中国经济社会发展指标 |
灰色关联分析(Grey Relation Analysis,GRA)中国经济社会发展指标
|
原文链接：http://tecdat.cn/?p=16881
灰色关联分析包括两个重要功能（点击文末“阅读原文”获取完整代码数据）。
第一项功能：灰色关联度，与correlation系数相似，如果要评估某些单位，在使用此功能之前转置数据。第二个功能：灰色聚类，如层次聚类。 相关视频 灰色关联度灰色关联度有两种用法。该算法用于测量两个变量的相似性，就像\`cor\`一样。如果要评估某些单位，可以转置数据集。 *一种是检查两个变量的相关性，数据类型如下： | 参考| v1 | v2 | v3 || ----------- |||| ---- | ---- || 1.2 | 1.8 | 0.9 | 8.4 || 0.11 | 0.3 | 0.5 | 0.2 || 1.3 | 0.7 | 0.12 | 0.98 || 1.9 | 1.09 | 2.8 | 0.99 | reference：参考变量，reference和v1之间的灰色关联度...近似地测量reference和v1的相似度。 *另一个是评估某些单位的好坏。 | 单位| v1 | v2 | v3 || ----------- |||| ---- | ---- || 江苏| 1.8 | 0.9 | 8.4 || 浙江| 0.3 | 0.5 | 0.2 || 安徽 0.7 | 0.12 | 0.98 || 福建| 1.09 | 2.8 | 0.99 | 示例 # # 异常控制 # if (any(is.na(df))) stop("'df' have NA" ) if (distingCoeff1) stop("'distingCoeff' must be in range of \[0,1\]" ) diff = X #设置差学列矩阵空间 for (i in mx = max(diff) #计算关联系数# relations = (mi+distingCoeff\*mx) / (diff + distingCoeff\*mx) #计算关联度# # 暂时简单处理, 等权 relDegree = rep(NA, nc) for (i in 1:nc) { relDegree\[i\] = mean(relations\[,i\]) # 等权 } #排序: 按关联度大到小# X_order = X\[order(relDegree, relDes = rep(NA, nc) #分配空间 关联关系描述(说明谁和谁的关联度) X\_names = names(X\_o names(relationalDegree) = relDes if (cluster) { greyRelDegree = GRA(economyC # 得到差异率矩阵 # grey_diff = matrix(0 grey_diff\[i,j\] = abs(rel #得到距离矩阵# grey_dist = matrix(0, nrow iff\[i,j\]+grey_diff\[j,i\] } } # 得到灰色相关系数矩阵 # grey\_dist\_max = max(grey_dist) grey_correl = matrix(0, nrow = nc, ncol = nc) for (i in 1:nc) { for (j in 1:nc) { grey\_correl\[i,j\] = 1 - grey\_dist\[i,j\] / grey\_dist\_max } } d = as.dist(1-grey_correl) # 得到无对角线的下三角矩阵(数值意义反向了, 值越小表示越相关 ) # 主对角线其实表示了各个对象的相近程度, 画图的时候, 相近的对象放在一起 hc = hclust(d, method = clusterMethod) # 系统聚类(分层聚类)函数, single: 单一连接(最短距离法/最近邻) # hc$height, 是上面矩阵的对角元素升序 # hc$order, 层次树图上横轴个体序号 plot(hc,hang=-1) #hang: 设置标签悬挂位置 } #输出# if (cluster) { lst = list(relationalDegree=relationalDegree, return(lst) } ## 生成数据 rownames(economyCompare) = c("indGV", "indVA", "profit", "incomeTax") ## 灰色关联度 greyRelDegree = greya(economyCompare) greyRelDegree 灰色关联度
点击标题查阅往期内容
R语言计量经济学：工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断
左右滑动查看更多
01
02
03
04
本文摘选《R语言使用灰色关联分析(Grey Relation Analysis,GRA)中国经济社会发展指标》，点击“阅读原文”获取全文完整资料。 点击标题查阅往期内容 K-means和层次聚类分析癌细胞系微阵列数据和树状图可视化比较 KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数 PYTHON实现谱聚类算法和改变聚类簇数结果可视化比较 有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据 R语言多维数据层次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据 r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化 Python Monte Carlo K-Means聚类实战研究 R语言k-Shape时间序列聚类方法对股票价格时间序列聚类 R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归 R语言谱聚类、K-MEANS聚类分析非线性环状数据比较 R语言实现k-means聚类优化的分层抽样(Stratified Sampling)分析各市镇的人口 R语言聚类有效性：确定最优聚类数分析IRIS鸢尾花数据和可视化 Python、R对小说进行文本挖掘和层次聚类可视化分析案例 R语言k-means聚类、层次聚类、主成分（PCA）降维及可视化分析鸢尾花iris数据集 R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间 R语言用温度对城市层次聚类、kmean聚类、主成分分析和Voronoi图可视化 R语言k-Shape时间序列聚类方法对股票价格时间序列聚类 R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析 R语言复杂网络分析：聚类（社区检测）和可视化 R语言中的划分聚类模型 基于模型的聚类和R语言中的高斯混合模型 r语言聚类分析：k-means和层次聚类 SAS用K-Means 聚类最优k值的选取和分析 用R语言进行网站评论文本挖掘聚类 基于LDA主题模型聚类的商品评论文本挖掘 R语言鸢尾花iris数据集的层次聚类分析 R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归 R语言聚类算法的应用实例 欲获取全文文件，请点击左下角“阅读原文”。
欲获取全文文件，请点击左下角“阅读原文”。
|
【本文地址】