肯德尔秩相关系数(Kendall‘s Tau)排名

这篇具有很好参考价值的文章主要介绍了肯德尔秩相关系数(Kendall‘s Tau)排名。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

肯德尔秩相关系数(Kendall’s Tau)是一种用于衡量两个排列之间相似性的统计指标,它考虑了元素之间的顺序关系而不考虑具体数值。该系数被广泛用于排序、排名和比较不同实验结果的相关性等领域。

具体而言,肯德尔秩相关系数衡量了两个排列之间逆序对(倒置对)的数量,从而反映了它们的相似程度。逆序对是指在一个排列中,两个元素的顺序与另一个排列中它们的顺序相反。肯德尔秩相关系数的计算步骤如下:

  1. 给定两个排列,比较它们的每一对元素,计算其中一个排列中元素在另一个排列中的顺序关系(逆序或非逆序)。

  2. 计算逆序对的数量。

  3. 根据公式计算肯德尔秩相关系数:

    τ = Number of concordant pairs − Number of discordant pairs Total number of pairs \tau = \frac{\text{Number of concordant pairs} - \text{Number of discordant pairs}}{\text{Total number of pairs}} τ=Total number of pairsNumber of concordant pairsNumber of discordant pairs
    其中,“concordant pairs” 是在两个排列中顺序关系相同的元素对数,而 “discordant pairs” 是顺序关系不同的元素对数。

肯德尔秩相关系数的取值范围在 -1 到 1 之间,具体解释如下:

  • τ = 1 \tau = 1 τ=1:表示两个排列完全一致,没有逆序对。
  • τ = − 1 \tau = -1 τ=1:表示两个排列完全相反,每个元素都是一个逆序对。
  • τ = 0 \tau = 0 τ=0:表示两个排列之间没有明显的相关性,逆序对和非逆序对的数量大致相等。

肯德尔秩相关系数具有直观性和易于理解的特点,适用于各种排序和排名场景中,但在某些情况下,它可能对一些特殊关系的敏感性较强。文章来源地址https://www.toymoban.com/news/detail-669706.html

代码

def kendall_tau(arr1, arr2):
    if len(arr1) != len(arr2):
        raise ValueError("Input arrays must have the same length.")
    
    n = len(arr1)
    concordant_pairs = 0
    discordant_pairs = 0
    
    for i in range(n - 1):
        for j in range(i + 1, n):
            # Compare the order of elements in both arrays
            if (arr1[i] < arr1[j] and arr2[i] < arr2[j]) or (arr1[i] > arr1[j] and arr2[i] > arr2[j]):
                concordant_pairs += 1
            elif (arr1[i] < arr1[j] and arr2[i] > arr2[j]) or (arr1[i] > arr1[j] and arr2[i] < arr2[j]):
                discordant_pairs += 1
    
    tau = (concordant_pairs - discordant_pairs) / (0.5 * n * (n - 1))
    return tau

# Example arrays
arr1 = [1, 2, 3, 4]
arr2 = [2, 1, 4, 3]

# Calculate Kendall's Tau
tau = kendall_tau(arr1, arr2)
print("Kendall's Tau:", tau)

到了这里,关于肯德尔秩相关系数(Kendall‘s Tau)排名的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 数据挖掘01-相关性分析及可视化【Pearson, Spearman, Kendall】

    ​ 有这么一句话在业界广泛流传: 数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。 ​ 因此,数据挖掘在人工智能和大数据的时代下显得尤为重要。本人在工作中也会经常为数据挖掘方面的任务头疼,所以想将所见、所学、所整理的数据挖掘学习资

    2024年02月02日
    浏览(30)
  • 学习笔记|秩相关分析|Spearman相关分析|Kendall相关分析|规范表达|《小白爱上SPSS》课程:SPSS第十九讲:秩相关分析怎么做?

    SPSS第十九讲:秩相关分析怎么做? IBM SPSS Statistics 26。 《小白爱上SPSS》课程 #统计原理 前面我们学习过线性相关分析,已知线性相关分析针对的是符合正态性分布的连续型变量,然而在科学研究中,有些数据不符合正态性分布,有些数据也并不连续,只能用定序尺度来度量

    2024年04月29日
    浏览(29)
  • 相关系数(皮尔逊相关系数和斯皮尔曼相关系数)

     本文借鉴了数学建模清风老师的课件与思路,可以点击查看链接查看清风老师视频讲解:5.1 对数据进行描述性统计以及皮尔逊相关系数的计算方法_哔哩哔哩_bilibili 注:直接先看 ( 三、两个相关系数系数的比较 ) 部分!!! 目录 ​编辑 一、数据的描述性统计分析  二、

    2024年01月21日
    浏览(25)
  • 相关系数、相关指数和回归系数等概念含义

            最近在工作中,遇到进行相关分析的问题,查找各种资料相关资料有两个方向:相关系数及相关指数。特记下用于以后查询         相关系数:又叫简单相关系数或线性相关系数,一般用字母r表示,用来度量两个变量间的线性关系。公式:                      

    2024年02月08日
    浏览(30)
  • Pearson相关系数和Spearman相关系数的区别

      参考资料前两个博客讲解的非常详细,因本人想要自己梳理下,才有此文,请直接跳转即可。 (1)简单来说   协方差:变量具有 同增、同减 的趋势。趋势越接近,则相关性越大,反之越小。   相关系数:协方差的标准化,把数值控制在[-1,1]的区间表示。方便比较

    2023年04月14日
    浏览(29)
  • 数学建模冲国奖之——Person相关系数和Spearman相关系数

      目录 一、简介 二、Person相关系数 三、相关性可视化 四、皮尔逊相关系数的理解误区 五、对皮尔逊相关系数的两点总结 六、Person系数习题 七、Person系数假设检验适用前提 八、Spearman相关系数 九、Spearman相关系数假设检验  十、两者适用性 本讲我们介绍两种最常用的相关

    2024年02月06日
    浏览(27)
  • 数学建模:相关性分析学习——皮尔逊(pearson)相关系数与斯皮尔曼(spearman)相关系数

    目录 前言 一、基本概念及二者适用范围比较 1、什么是相关性分析 2、什么是相关系数 3、适用范围比较 二、相关系数 1.皮尔逊相关系数(Pearson correlation) 1、线性检验 2、正态检验 3、求相关系数 2、斯皮尔曼相关系数(Spearman correlation) 1、秩相关系数 2、使用条件 3、求相

    2024年01月17日
    浏览(30)
  • 非参数检验-Wilcoxon,Wilcoxon-Mann-Whitney符号秩检验以及Pearson,Spearman秩,Kendall τ相关检验(附带实例-R实现)

       符号检验是非参数统计中最古老的检验方法之一,这种检验被称为符号检验的一个理由是它所关心的信息只与两类观测值有关,如果用符号“+”和“-”区分,符号检验就是通过符号“+”和“-”的个数进行统计推断。符号检验的推断过程(以双边检验为例): 从1.1符号检验

    2024年02月02日
    浏览(23)
  • 【数学建模】——相关系数

    本讲我们将介绍两种最为常见的相关系数:皮尔逊person相关系数和斯皮尔曼spearman等级相关系数。它们可以用来衡量两个变量之间的相关性的大小,根据数组满足的不同条件,我们要选择不同的相关性系数进行行计算和分析(建模论文中最容易用错的方法)。 总体和样本:

    2024年02月16日
    浏览(26)
  • 相关系数python实现

    R的值在-1和1之间,包括-1和1。 公式1: 其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差。 或者 公式2: 可以转换

    2024年02月05日
    浏览(25)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包