در این مطلب، ویدئو ANOVA اندازه گیری های مکرر با استفاده از Python Statsmodels و R afex با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:11:54
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:03,000
سلام خوش آمدید، در این آموزش کوتاه علم داده پایتون
2
00:00:03,000 –> 00:00:04,890
، نحوه
3
00:00:04,890 –> 00:00:06,960
انجام و اندازه گیری های مکرر ANOVA را
4
00:00:06,960 –> 00:00:11,670
با استفاده از مدل های آمار پایتون و با استفاده از
5
00:00:11,670 –> 00:00:15,210
بسته R و R AF x هنگامی که پایتون به میان می آید، یاد می
6
00:00:15,210 –> 00:00:17,070
گیریم که از بند a
7
00:00:17,070 –> 00:00:20,699
know توسط M خود استفاده می کنیم. این یک روش ساده است و
8
00:00:20,699 –> 00:00:23,189
ما با یک ANOVA اندازه گیری های تکراری یک طرفه شروع می
9
00:00:23,189 –> 00:00:26,430
کنیم و سپس
10
00:00:26,430 –> 00:00:29,689
با ANOVA اندازه گیری های مکرر دو طرفه ادامه می
11
00:00:29,689 –> 00:00:32,520
دهیم در پایان همچنین
12
00:00:32,520 –> 00:00:34,770
تفاوت های بین نحوه انجام و
13
00:00:34,770 –> 00:00:36,480
تکرار اقدامات و دوباره در خود را بررسی خواهیم کرد. و
14
00:00:36,480 –> 00:00:40,469
Python یعنی ما
15
00:00:40,469 –> 00:00:45,030
همان تحلیل را با استفاده از زیرخط e Z انجام میدهیم
16
00:00:45,030 –> 00:00:48,690
و به برخی از
17
00:00:48,690 –> 00:00:54,180
تفاوتهای خروجی و آرگومانهای
18
00:00:54,180 –> 00:01:00,090
هر یک از این روشها نگاه میکنیم، بنابراین مطمئن شوید
19
00:01:00,090 –> 00:01:02,850
که کل ویدیو را تماشا کنید.
20
00:01:02,850 –> 00:01:04,650
به کانال من اگر
21
00:01:04,650 –> 00:01:10,830
نرفته اید، اجازه دهید شروع به کدنویسی کنیم، بنابراین
22
00:01:10,830 –> 00:01:13,439
ما با یک ANOVA اندازه گیری های تکراری یک
23
00:01:13,439 –> 00:01:17,909
طرفه شروع می کنیم و از کلاس ANOVA RM استفاده می
24
00:01:17,909 –> 00:01:23,130
کنیم، اما باید مجموعه ای از داده ها
25
00:01:23,130 –> 00:01:25,680
را وارد کنیم و از یک
26
00:01:25,680 –> 00:01:27,689
چارچوب داده پاندا من هستم میخواهیم
27
00:01:27,689 –> 00:01:32,970
قاب وضعیت pana را از یک فایل CSV با مقداری
28
00:01:32,970 –> 00:01:37,799
PD داده ایجاد کنیم، بنابراین ما با وارد کردن پانداها
29
00:01:37,799 –> 00:01:41,759
به عنوان P D شروع
30
00:01:41,759 –> 00:01:46,390
31
00:01:46,390 –> 00:01:52,480
میکنیم.
32
00:01:52,480 –> 00:01:56,200
کلاس یک
33
00:01:56,200 –> 00:02:00,880
ORM از ماژول مهم است، بنابراین
34
00:02:00,880 –> 00:02:04,150
ما در اینجا برخی از پارامترها را می بینیم که داده ها یک
35
00:02:04,150 –> 00:02:08,199
قاب داده، اولین متغیر وابسته
36
00:02:08,199 –> 00:02:10,539
است که یک رشته است،
37
00:02:10,539 –> 00:02:16,420
شناسه موضوع یک رشته در داخل و
38
00:02:16,420 –> 00:02:19,530
بین فاکتورهای موضوعی که
39
00:02:19,530 –> 00:02:22,060
هنوز پیاده سازی نشده است، بنابراین نمی توانیم استفاده کنیم. که و
40
00:02:22,060 –> 00:02:24,190
اگر مایل به استفاده از یک تابع مجموع هستید،
41
00:02:24,190 –> 00:02:27,130
میتوانید در من قرار دهید و ما میتوانیم
42
00:02:27,130 –> 00:02:32,830
از میانگین PI بیحس استفاده کنیم، اما فعلاً این کار
43
00:02:32,830 –> 00:02:38,950
را انجام نمیدهیم، بنابراین
44
00:02:38,950 –> 00:02:43,750
روشهایی داریم و میتوانیم آن را برای
45
00:02:43,750 –> 00:02:46,239
تخمین ماژول برآورد و محاسبه مناسب به دست آوریم.
46
00:02:46,239 –> 00:02:48,450
یک جدول بیش از حد، بنابراین بعداً از آن استفاده خواهیم
47
00:02:48,450 –> 00:02:58,320
کرد، اما بیایید با وارد کردن
48
00:02:58,320 –> 00:03:04,830
مجموعه دادههای خواندنی CSV شروع کنیم و ما CSV روش m1 خود را داریم،
49
00:03:04,830 –> 00:03:12,250
بنابراین این فایل و سایر
50
00:03:12,250 –> 00:03:16,030
پیوندهای مفید در توضیحات زیر پیوند داده میشوند،
51
00:03:16,030 –> 00:03:17,790
52
00:03:17,790 –> 00:03:23,170
بسیار خوب، بنابراین اکنون با استفاده از آن ادامه میدهیم. یک نوامبر یک
53
00:03:23,170 –> 00:03:27,850
RM برای انجام تجزیه و تحلیل
54
00:03:27,850 –> 00:03:36,320
اکنون RM enola RM بنابراین DF آن چارچوب داده
55
00:03:36,320 –> 00:03:41,270
درست است و سپس با RT
56
00:03:41,270 –> 00:03:44,270
که متغیر وابسته در این
57
00:03:44,270 –> 00:03:52,040
مجموعه داده ها است و شناسه فرعی شناسه موضوع است
58
00:03:52,040 –> 00:03:57,860
و در اینجا لیستی وجود دارد و
59
00:03:57,860 –> 00:04:00,890
نمی توانیم فقط آن را داشته باشیم ادامه می دهیم. یکی از درون شفاهی موضوع،
60
00:04:00,890 –> 00:04:05,930
نتایج را روی جدول یا
61
00:04:05,930 –> 00:04:13,310
RM مناسب میسازیم و سپس مچها را چاپ
62
00:04:13,310 –> 00:04:15,340
63
00:04:16,358 –> 00:04:19,389
میکنیم، بنابراین میتوانیم در اینجا ببینیم که درجات
64
00:04:19,389 –> 00:04:25,780
آزادی، مقدار F و مقدار p را که
65
00:04:25,780 –> 00:04:27,759
الیور وقتی به
66
00:04:27,759 –> 00:04:32,919
مدلهای آماری میرسد، دریافت میکنیم.
67
00:04:32,919 –> 00:04:36,669
اکنون با یک
68
00:04:36,669 –> 00:04:40,539
ANOVA اندازه گیری های مکرر دو طرفه با استفاده از مدل های آمار Python
69
00:04:40,539 –> 00:04:45,099
و کلاس ANOVA RM ادامه خواهد داد، بنابراین ما
70
00:04:45,099 –> 00:04:47,199
مجموعه داده دیگری داریم و می توانید پیوندی
71
00:04:47,199 –> 00:04:49,270
به آن را در توضیحات زیر بیابید،
72
00:04:49,270 –> 00:04:53,259
بنابراین بیایید آن را با استفاده از PD read
73
00:04:53,259 –> 00:05:04,150
CSV و ما وارد کنیم. mo to dot CSV چگونه می توان
74
00:05:04,150 –> 00:05:11,490
به پنج سطر اول نگاه کرد
75
00:05:13,790 –> 00:05:16,820
زیرا می توانیم در اینجا شناسه موضوع را
76
00:05:16,820 –> 00:05:19,130
ببینیم، ما همان متغیر وابسته را
77
00:05:19,130 –> 00:05:21,280
داریم در اینجا ما دو
78
00:05:21,280 –> 00:05:28,000
متغیر مستقل IV 1 + IV داریم – بنابراین
79
00:05:28,000 –> 00:05:34,220
بیایید اندازه گیری های تکراری دو طرفه
80
00:05:34,220 –> 00:05:42,320
ANOVA یا m DF – بنابراین، متغیر وابسته RT
81
00:05:42,320 –> 00:05:47,810
زیر شناسه شناسه موضوع است
82
00:05:47,810 –> 00:05:52,490
و در پایان اکنون لیستی در اینجا
83
00:05:52,