در این مطلب، ویدئو Python – Cochran Q test 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: 00:05:01
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,880 –> 00:00:02,720
خوش آمدید، در این ویدیو به
2
00:00:02,720 –> 00:00:04,720
شما نشان می دهم که چگونه می توانید یک تست کوکرین کیو
3
00:00:04,720 –> 00:00:08,080
با استفاده از پایتون 3 انجام دهید و این در
4
00:00:08,080 –> 00:00:09,519
آزمایشگاه مشتری است،
5
00:00:09,519 –> 00:00:12,080
اکنون این میز می تواند مورد استفاده قرار گیرد اگر افرادی را داشته باشید که
6
00:00:12,080 –> 00:00:12,960
7
00:00:12,960 –> 00:00:15,280
بین بیش از یک گزینه انتخاب کنند یا
8
00:00:15,280 –> 00:00:17,520
می توانند بیش از یک گزینه را انتخاب کنند. یک گزینه
9
00:00:17,520 –> 00:00:19,760
به عنوان مثال کدام یک از
10
00:00:19,760 –> 00:00:21,760
کانال های موسیقی زیر را دوست دارید تا
11
00:00:21,760 –> 00:00:24,000
بتوانند بیش از یکی را انتخاب کنند،
12
00:00:24,000 –> 00:00:26,480
سپس معمولاً هر گزینه
13
00:00:26,480 –> 00:00:28,400
به خودی خود یک متغیر خیر بله می شود،
14
00:00:28,400 –> 00:00:30,720
بنابراین یک متغیر باینری است و سپس ممکن است
15
00:00:30,720 –> 00:00:31,439
بخواهید
16
00:00:31,439 –> 00:00:34,480
بدانید که آیا هر یک از گزینه ها انتخاب شده است یا خیر.
17
00:00:34,480 –> 00:00:36,320
به طور قابل توجهی بیشتر از
18
00:00:36,320 –> 00:00:39,360
هر یک از موارد دیگر یا هر بله،
19
00:00:39,360 –> 00:00:41,360
و سپس این کار را می توان با
20
00:00:41,360 –> 00:00:42,800
آزمون q کوکران انجام داد،
21
00:00:42,800 –> 00:00:45,360
بنابراین
22
00:00:45,360 –> 00:00:47,440
با مجذور کردن تفاوت بین
23
00:00:47,440 –> 00:00:49,680
نسبت های مشاهده شده و مورد انتظار، شبیه به آزمون کای دو پیرسون است، اما
24
00:00:49,680 –> 00:00:51,600
سپس آن را بر مجموع تقسیم می کند.
25
00:00:51,600 –> 00:00:54,000
تعداد موفقیتها
26
00:00:54,000 –> 00:00:56,640
ضربدر تعداد شکستها برای هر مورد اکنون
27
00:00:56,640 –> 00:00:58,320
نگران نباشید بستهای وجود دارد که میتواند
28
00:00:58,320 –> 00:00:58,879
این کار را
29
00:00:58,879 –> 00:01:00,960
برای شما انجام دهد، بنابراین بیایید نگاهی به شکل ظاهری آن بیندازیم،
30
00:01:00,960 –> 00:01:02,640
31
00:01:02,640 –> 00:01:05,438
بنابراین ابتدا به چند نمونه داده نیاز دارم wh ich
32
00:01:05,438 –> 00:01:08,000
یک فایل csv خواهد بود، بنابراین باید آن را
33
00:01:08,000 –> 00:01:08,960
بارگیری کنم
34
00:01:08,960 –> 00:01:11,520
و میخواهم آن را بهعنوان قاب داده پاندا بارگیری کنم،
35
00:01:11,520 –> 00:01:12,479
بنابراین
36
00:01:12,479 –> 00:01:16,159
به پانداها نیاز دارم،
37
00:01:16,159 –> 00:01:18,159
اگر قبلاً از بسته استفاده نکردهاید، آن
38
00:01:18,159 –> 00:01:19,280
را به اختصار به
39
00:01:19,280 –> 00:01:21,520
pd میکنم. علامت بزنید و سپس pip install
40
00:01:21,520 –> 00:01:23,520
و سپس نام بسته
41
00:01:23,520 –> 00:01:25,600
ای که قبلاً آن را نصب کرده ام، بنابراین فقط باید
42
00:01:25,600 –> 00:01:27,280
آن را وارد کنم،
43
00:01:27,280 –> 00:01:29,920
سپس می توانم از فایل csv خوانده شده از
44
00:01:29,920 –> 00:01:32,400
pandas استفاده کنم، اکنون می توانم به اختصار به pd و
45
00:01:32,400 –> 00:01:34,159
head پنج رکورد اول را به من نشان دهد.
46
00:01:34,159 –> 00:01:38,000
برای این مثال من به این
47
00:01:38,000 –> 00:01:39,200
آخرین
48
00:01:39,200 –> 00:01:42,000
چیزی نیاز دارم که یک دو سه چهار ستون است
49
00:01:42,000 –> 00:01:43,280
و اینها
50
00:01:43,280 –> 00:01:46,479
سینماهای آمستردام هستند،
51
00:01:46,479 –> 00:01:49,439
این داده واقعی نیست،
52
00:01:49,439 –> 00:01:51,600
فقط برای مثال ساخته شده است
53
00:01:51,600 –> 00:01:54,479
و آنها تنها مواردی هستند که من نیاز دارم و
54
00:01:54,479 –> 00:01:54,960
صفر
55
00:01:54,960 –> 00:01:56,880
نشان داد که کسی از آن
56
00:01:56,880 –> 00:01:58,479
بازدید کرده است. آن سینما و
57
00:01:58,479 –> 00:02:00,560
متاسفم یکی نشان
58
00:02:00,560 –> 00:02:02,719
میداد که آن صفر سینمایی را مشت کردهاند
59
00:02:02,719 –> 00:02:05,680
، بنابراین اجازه دهید ابتدا
60
00:02:05,680 –> 00:02:07,680
آنها را در چارچوب دادههای کوچک خود ترکیب
61
00:02:07,680 –> 00:02:09,440
کنیم تا دیگر همه
62
00:02:09,440 –> 00:02:11,038
گزینههای دیگر نداشته باشیم
63
00:02:11,038 –> 00:02:13,280
و سپس آزمون کیو کاکرین در واقع می تواند
64
00:02:13,280 –> 00:02:14,640
65
00:02:14,640 –> 00:02:17,920
با وارد کردن جداول اقتضایی آمار مدلهای آمار
66
00:02:17,920 –> 00:02:20,879
و سپس وارد کردن
67
00:02:20,879 –> 00:02:23,200
آزمون q کاکرین
68
00:02:23,200 –> 00:02:25,920
برای