formatted statistiline_filter to standard
This commit is contained in:
ralf
parent
645d908000
commit
6e7a727b1a
@ -1,15 +1,6 @@
|
|||||||
# -*- coding: utf-8 -*-
|
|
||||||
|
|
||||||
#%% import
|
|
||||||
|
|
||||||
import h5py
|
import h5py
|
||||||
import os
|
import os
|
||||||
import pandas as pd
|
import pandas as pd
|
||||||
import statsmodels.api as sm
|
|
||||||
|
|
||||||
from statsmodels.formula.api import ols
|
|
||||||
from scipy.stats import f
|
|
||||||
from scipy.stats import shapiro
|
|
||||||
|
|
||||||
h5_file = 'ltcc_current.h5'
|
h5_file = 'ltcc_current.h5'
|
||||||
|
|
||||||
@ -23,7 +14,6 @@ with h5py.File(h5_file, 'r') as h5_file:
|
|||||||
if 'tag' in h5_file[eid].attrs:
|
if 'tag' in h5_file[eid].attrs:
|
||||||
tag_val = h5_file[eid].attrs['tag']
|
tag_val = h5_file[eid].attrs['tag']
|
||||||
|
|
||||||
# pean tõdema, et siin aitas chatgpt oma soovitusega :/ vaga halb debug oli
|
|
||||||
if isinstance(tag_val, bytes):
|
if isinstance(tag_val, bytes):
|
||||||
tag_val = tag_val.decode('utf-8')
|
tag_val = tag_val.decode('utf-8')
|
||||||
|
|
||||||
@ -36,10 +26,6 @@ with h5py.File(h5_file, 'r') as h5_file:
|
|||||||
ttx_eid_list.append(fit_result_eid)
|
ttx_eid_list.append(fit_result_eid)
|
||||||
else:
|
else:
|
||||||
teised_eid_list.append(fit_result_eid)
|
teised_eid_list.append(fit_result_eid)
|
||||||
#for attr_key, attr_value in h5_file[eid].attrs.items():
|
|
||||||
#print(f"Atribute: {attr_key}, Value: {attr_value}")
|
|
||||||
|
|
||||||
#%%
|
|
||||||
|
|
||||||
file = 'ltcc_current.h5'
|
file = 'ltcc_current.h5'
|
||||||
|
|
||||||
@ -59,7 +45,6 @@ with h5py.File(file, 'r') as h5_file:
|
|||||||
df['sex'] = sex
|
df['sex'] = sex
|
||||||
df['spid'] = spid.replace("Mouse AGAT", "")
|
df['spid'] = spid.replace("Mouse AGAT", "")
|
||||||
df['eid'] = eid
|
df['eid'] = eid
|
||||||
|
|
||||||
df.to_csv(csv_file_name, index=False)
|
df.to_csv(csv_file_name, index=False)
|
||||||
|
|
||||||
for fail in os.listdir():
|
for fail in os.listdir():
|
||||||
@ -85,8 +70,6 @@ for fail in os.listdir():
|
|||||||
df['tag'] = 'teised'
|
df['tag'] = 'teised'
|
||||||
df.to_csv(fail, index=False)
|
df.to_csv(fail, index=False)
|
||||||
|
|
||||||
#%%
|
|
||||||
|
|
||||||
comb_df = pd.DataFrame()
|
comb_df = pd.DataFrame()
|
||||||
|
|
||||||
for filename in os.listdir():
|
for filename in os.listdir():
|
||||||
@ -99,94 +82,3 @@ for filename in os.listdir():
|
|||||||
comb_df = pd.concat([comb_df, df], ignore_index=True)
|
comb_df = pd.concat([comb_df, df], ignore_index=True)
|
||||||
|
|
||||||
print(comb_df)
|
print(comb_df)
|
||||||
|
|
||||||
#%% lugemine, et teha kindlaks mis tüüpi ANOVA teha kasutades statsmodels packetit,
|
|
||||||
|
|
||||||
sex_counts = comb_df['sex'].value_counts()
|
|
||||||
|
|
||||||
spid_counts = comb_df['spid'].value_counts()
|
|
||||||
|
|
||||||
tag_counts = comb_df['tag'].value_counts()
|
|
||||||
|
|
||||||
|
|
||||||
print(sex_counts,spid_counts,tag_counts)
|
|
||||||
|
|
||||||
#%% normaalsuse kontroll
|
|
||||||
tau_xfer = comb_df['tau_xfer']
|
|
||||||
|
|
||||||
stat, p = shapiro(tau_xfer)
|
|
||||||
|
|
||||||
alpha = 0.05
|
|
||||||
if p > alpha:
|
|
||||||
print("Andmed on normaalselt jaotunud (ei lükka tagasi nullhüpoteesi)")
|
|
||||||
else:
|
|
||||||
print("Andmed ei ole normaalselt jaotunud (lükata tagasi nullhüpotees)")
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
#%% ANOVA 2 WAY
|
|
||||||
|
|
||||||
comb_df['spid'] = comb_df['spid'].astype('category')
|
|
||||||
comb_df['sex'] = comb_df['sex'].astype('category')
|
|
||||||
comb_df['tag'] = comb_df['tag'].astype('category')
|
|
||||||
|
|
||||||
model = ols('tau_xfer ~ C(sex) + C(spid)+ C(tag)', data=comb_df).fit()
|
|
||||||
|
|
||||||
anova_table = sm.stats.anova_lm(model, typ=2)
|
|
||||||
print(anova_table)
|
|
||||||
|
|
||||||
#%% kriitiline vaartus
|
|
||||||
|
|
||||||
df_between_groups = 2 # Vabadusastmed gruppide vahel
|
|
||||||
df_within_groups = 67 # Vabadusastmed rühmades (Residual)
|
|
||||||
|
|
||||||
alpha = 0.05
|
|
||||||
|
|
||||||
critical_f = f.ppf(1 - alpha, df_between_groups, df_within_groups)
|
|
||||||
|
|
||||||
print("Kriitiline F-väärtus:", critical_f)
|
|
||||||
|
|
||||||
|
|
||||||
#%% kriitiline vaartus
|
|
||||||
|
|
||||||
|
|
||||||
df_between_groups = 2 # Vabadusastmed gruppide vahel (sex ja spid)
|
|
||||||
df_within_groups = 36 # Vabadusastmed rühmades (Residual)
|
|
||||||
|
|
||||||
alpha = 0.05
|
|
||||||
|
|
||||||
critical_f = f.ppf(1 - alpha, df_between_groups, df_within_groups)
|
|
||||||
|
|
||||||
print("Kriitiline F-väärtus:", critical_f)
|
|
||||||
|
|
||||||
"""
|
|
||||||
#%%grupeeringud
|
|
||||||
|
|
||||||
groups = comb_df.groupby('tag')
|
|
||||||
|
|
||||||
iso_group = groups.get_group('iso')
|
|
||||||
ttx_group = groups.get_group('ttx')
|
|
||||||
|
|
||||||
print("ISO grupp:", iso_group)
|
|
||||||
print("nTTX grupp:", ttx_group)
|
|
||||||
|
|
||||||
#%% ANOVA jaoks on grupid piisavalt suured,
|
|
||||||
#allikas https://support.minitab.com/en-us/minitab/help-and-how-to/statistical-modeling/anova/how-to/one-way-anova/before-you-start/data-considerations/
|
|
||||||
|
|
||||||
f_statistic, p_value = f_oneway(iso_group['tau_xfer'], ttx_group['tau_xfer'])
|
|
||||||
|
|
||||||
#%% f_crit control
|
|
||||||
|
|
||||||
dfn = 2-1 #2 gruppi, miinus 1, hetkel ei lahendanud seda vaga automatiseeritult
|
|
||||||
dfd = len(iso_group) + len(ttx_group) - 2 #ka ei lahendanud automatiseeritult
|
|
||||||
|
|
||||||
alpha = 0.05
|
|
||||||
|
|
||||||
f_crit = f.ppf(1 - alpha, dfn, dfd)
|
|
||||||
|
|
||||||
#%% Väljastame tulemused
|
|
||||||
|
|
||||||
print("F-statistika:", f_statistic)
|
|
||||||
print("P-väärtus:", p_value)
|
|
||||||
print("F-kriitiline:", f_crit)
|
|
||||||
"""
|
|
||||||
|
|||||||
Loading…
Reference in New Issue
Block a user