Python pyvttbl方差分析错误答案

【问题标题】：Python pyvttbl ANOVA errorPython pyvttbl方差分析错误
【发布时间】：2017-10-24 17:51:19
【问题描述】：

我正在尝试使用 pyvttbl 对我的数据集执行 ANOVA，但我遇到了一个奇怪的错误。

这是我的代码：

import pyvttbl

df = pyvttbl.DataFrame()
df.read_tbl("ANOVA_MWE_input.csv")

print df
print type(df)

AN = df.anova('len', sub='id', bfactors=['p1', 'p2'])

输出是：

id   name   len   p1   p2 
=========================
0   AAA     32    1    0 
1   BBB     33    2    0 
2   CCC     29    3    0 
3   DDD     22    4    0 

<class 'pyvttbl.base.DataFrame'>

Traceback (most recent call last):File "/home/stefano/ownCloud/PycharmProjects/Stockh_cours/ANOVA_MWE.py", line 15, in <module>
AN = df.anova('len', sub='id', bfactors=['p1', 'p2'])
File "/usr/local/lib/python2.7/dist-packages/pyvttbl/base.py", line 1975, in anova
  measure=measure, transform=transform, alpha=alpha)
File "/usr/local/lib/python2.7/dist-packages/pyvttbl/stats/_anova.py", line 713, in run
self._between()
File "/usr/local/lib/python2.7/dist-packages/pyvttbl/stats/_anova.py", line 751, in _between
  cw = self._num2binvec(e,Nf)
File "/usr/local/lib/python2.7/dist-packages/pyvttbl/stats/_anova.py", line 1240, in _num2binvec
return list(array(list(zeros((p-len(b))))+b)+1.)
TypeError: 'float' object cannot be interpreted as an index

我真的不明白我的数据集中的浮点对象在哪里。你能帮忙吗？实际上，当我将其应用于我的真实表时，我得到了一个超出范围的错误。奇怪的是，MWE 只有 in_file 更改我才知道。

感谢您的任何建议。

【问题讨论】：

我遇到了同样的问题。我认为这个模块现在基本上已经死了。
我也这么认为。我解决了更换包裹的问题。
你是什么意思？
是的，我使用了from statsmodels.stats.anova import anova_lm。它有不同的输出（信息量较少），但对于我的范围来说仍然足够。

标签： python python-2.7 floating-point anova

【解决方案1】：

我无法使 pyvttbl 工作，但我现在正在使用 statsmodels 的 ANOVA 和多重比较模块，我很高兴，因为我得到了我需要的一切：

import statsmodels.api as sm
from statsmodels.formula.api import ols

model = ols('weight ~ group', data=data).fit() # OLS regression
#print(model.summary()) # print F-stat, eta², P value but also test indicators for assumptions

anova_table = sm.stats.anova_lm(model, typ='II') # here we prepare a proper ANOVA table
print(anova_table)

            sum_sq    df         F   PR(>F)
group      3.76634   2.0  4.846088  0.01591
Residual  10.49209  27.0       NaN      NaN

# we then prepare a multiple comparison set:
mult_comp = sm.stats.multicomp.MultiComparison(data['weight'], data['group']) 
print(mult_comp.tukeyhsd()) # Tukey post-hoc testing, for example

Multiple Comparison of Means - Tukey HSD,FWER=0.05
============================================
group1 group2 meandiff  lower  upper  reject
--------------------------------------------
 ctrl   trt1   -0.371  -1.0621 0.3201 False 
 ctrl   trt2   0.494   -0.1971 1.1851 False 
 trt1   trt2   0.865    0.1739 1.5561  True 
--------------------------------------------

然后我完成了 Bonferroni 校正。

【讨论】：