Python 中 Kruskal-Wallis 测试的输入格式

Posted 2023-02-16

【中文标题】Python 中 Kruskal-Wallis 测试的输入格式

【英文标题】：Input format for Kruskal-Wallis test in Python

【发布时间】：2015-08-03 03:35:25

【问题描述】：

我正在比较癌症患者和健康人的 DNA 结构断裂区域。我正在尝试对每个区域的中断次数进行 Kruskal-Wallis 测试（SciPy Stats），以查看两个分布之间是否存在差异。 我不确定 Kruskal - Wallis 的输入应该是数组（文档）还是数组列表（互联网上的其他地方）。

首先，我尝试了一个这样的样本+控制数组：

controls = ['1', '2', '3', '4', '5']
samples = ['10', '20', '30', '40', '50']
n=0
for item in controls:
    array_item = np.array([item, samples[n]])
    kw_test = stats.mstats.kruskalwallis(array_item)
    print(kw_test)
    n+=1

这给了我所有项目的以下输出：

(0.0, nan)

我还尝试将单个数据点转换为数组，然后运行 ​​KW 测试。

controls = ['1', '2', '3', '4', '5']
samples = ['10', '20', '30', '40', '50']
n=0
kw_results = []
for item in controls:
    array_controls = np.array([item])
    array_samples = np.array([samples[n]])
    kw_test = stats.mstats.kruskalwallis(array_samples, array_controls)
    kw_results.append(kw_test)
    n+=1
print(kw_results)

即使我大幅更改了其中一个列表，所有比较的结果都是 (1.0, 0.31731050786291404)。

深入挖掘，我读到输入应该是一个数组列表，所以我认为只给出两个数据点（一个样本，一个控件）可能会导致“（0.0，nan）”，所以我尝试了好吧。

controls = ['1', '2', '3', '4', '5']
samples = ['10', '20', '30', '40', '50']
list_ = []
n=0
for item in controls:
    array_item = np.array([item, samples[n]])
    list_.append(array_item)
    n+=1
kw_test = stats.mstats.kruskalwallis(list_)
print(kw_test)

这给了我这个错误：

TypeError: Not implemented for this type

现在我不确定要使用什么格式/类型，希望任何人都可以帮助我！

【参考方案1】：

scipy.stats.mstats.kruskalwallis 模块使用数组。这些可以是具有奇数个观察值的数组。

如果您将 CSV 文件中的数据分列在不同的列中，这样的操作应该可以：

import pandas
from scipy.stats import mstats

Data = pandas.read_csv("CSVfile.csv")
Col_1 = Data['Colname1']
Col_2 = Data['Colname2']
Col_3 = Data['Colname3']
Col_4 = Data['Colname4']

print("Kruskal Wallis H-test test:")

H, pval = mstats.kruskalwallis(Col_1, Col_2, Col_3, Col_4)

print("H-statistic:", H)
print("P-Value:", pval)

if pval < 0.05:
    print("Reject NULL hypothesis - Significant differences exist between groups.")
if pval > 0.05:
    print("Accept NULL hypothesis - No significant difference between groups.")

【讨论】：

我试图完全这样做，但它给出了错误 TypeError：float() 参数必须是字符串或数字，而不是“SingleBlockManager”。有什么想法吗？

在我的情况下，没有列是动态的，我可以获得 3-10 列。如何处理这种情况

【参考方案2】：

我认为 Kruskal Wallis 检验在所有情况下都给出相同 p 值的原因是因为您在每种情况下只比较两个值。

要将数组列表传递给 kruskal 测试，您似乎需要将其作为 mstats.kruskalwallis(*args) 传递。见 (create vectors for Kruskal-Wallis H-test python)

import pandas, sys
from scipy.stats import mstats

H, pval = mstats.kruskalwallis(*args)
controls = ['1', '2', '3', '4', '5']
samples = ['10', '20', '30', '70', '50']
n=0
kw_results = []
list_ = []
for item in controls:
    array_item = np.array([item, samples[n]])
    list_.append(array_item)
    n+=1
args=[l for l in list_]
kw_test =  mstats.kruskalwallis(*args)
print(kw_results)

如果您在列中有数据，Patrick 的修改很有用，但我无法将列表直接传递给 kruskal 函数，但传递它 *args 有效。

import pandas, sys
from scipy.stats import mstats

Data = pandas.read_csv(sys.argv[1], index_col=0, sep='\t')
args = [Data[col] for col in Data.columns]
H, pval = mstats.kruskalwallis(*args)

【参考方案3】：

Osian 的回答对我帮助很大。我想假设第一列是某种标识符，而不是数据，我还想让测试评估所有数据列，而无需手动输入列标题。以下是符合我标准的对 Osian 代码的修改。

import pandas, sys
from scipy.stats import mstats

Data = pandas.read_csv(sys.argv[1], index_col=0, sep='\t')
H, pval = mstats.kruskalwallis([Data[col] for col in Data.columns])


print "H-statistic:\t%s\nP-value:\t%s" % (str(H),str(pval))
if pval < 0.05:
    print("Reject NULL hypothesis - Significant differences exist between groups.")
if pval > 0.05:
    print("Accept NULL hypothesis - No significant difference between groups.")