一个简单的图书馆,以谦卑的态度评估干预的影响
preposterous的Python项目详细描述
以简单和谦逊的态度估计干预的影响
pre/posterous正在积极开发中 可被视为“概念证明”。最大的限制是 它只从Reporter app导入数据,这是我当前的默认值 推荐给任何想要追踪某事物的人 量化自我。
安装
您可以使用pip install preposterous
安装如果要从源安装,请克隆此存储库并运行 pip install -e .来自项目根目录。
测试
测试可以在tests/目录中看到,并使用pytest
运行用例
量化的自我数据
主要的用例是用于量化的self,其中您有周期性的 目标指标的测量(体重,分类睡眠质量, 以及潜在的干预措施(药物、饮食调整等)。这个 图书馆可以把这些组织成自然实验 走向因果关系
warningpython非常棒,但是没有什么可以替代一个强大的 Double Blind Randomized Controlled Trial用于 建立因果关系。也就是说,很多(大多数?)形势不容乐观 但我们仍然被迫做出决定。那是 像这样的工具,用于欣赏 信念,可以帮助你。
示例
import preposterous.preposterous as ppl pdf = ppl.PrePostDF() pdf.add_outcome(filename='data/sample_reporter_output.csv') pdf.add_intervention(filename='data/sample_reporter_output.csv') # Sanity check the data pdf.basic_info() # Basic statistical test of difference between periods pre and post intervention pdf.fisher_test(intervention='Exercise') # Bayesian comparison of relative impact of multiple interventions # (note that the sample data only contains one) # Output is written to an image file named 'relative_effectiveness_YYYYMMDD.png' pdf.outcomes( positive_outcomes=['Totally fine'], negative_outcomes=['Noticeable', 'Distracting'], window=3 ) pdf.calculate_relative_effectiveness() _ = pdf.plot_relative_effectiveness()