Python中每一行的两个示例测试

Question

我试图做一个两样本t检验，以检查两个数据集之间的平均值是否存在显著差异

我有两个数据集，每个数据集有5个试验，每个试验有3个特征。每个试验都有不同的独特标签，但3个特征（X1、X2、X3在所有试验中都是相同的）。在每次单独试验中，我们测量3个特征，测量值如下所示。 我试图计算两个数据集中每个特征的平均差异

当我从SQL中获取数据时，数据就是这样处理的

数据集1：

T1  X1   0.93
T1  X2   0.3
T1  X3   -2.9
T2  X1   1.3
T2  X2   0.8
T2  X3   1.9
T3  X1   2.3
T3  X2   -1.8
T3  X3   0.9
T4  X1   0.3
T4  X2   0.8
T4  X3   0.9
T5  X1   0.3
T5  X2   0.8
T5  X3   0.9

数据集2：

T10 X1  1.3
T10 X2  -2.8
T10 X3  0.09
T11 X1  3.3
T11 X2  0.8
T11 X3  1.9
T12 X1  0.3
T12 X2  -4.8
T12 X3  2.9
T13 X1  1.3
T13 X2  2.8
T13 X3  0.19
T14 X1  2.3
T14 X2  0.08
T14 X3  -0.9

这就是我希望输出的外观，我希望ttest应用于每个特征，以便获得每个特征的p值

Feature  Mean-DataSET1  Mean-DataSET2  P-value 
X1
X2
X3  

当我执行stats.ttest_ind（set1['value']，set2['value']）.pvalue时，我得到一个单独的pvalue

谢谢

Answer 1

如果我理解正确，您可以使用Groupby获得每个特征的平均值，然后在一个数据集中获得每个特征的p值。首先我要创建数据集

a = {'Feature': ['X1','X2','X3','X4','X5']}
Results = pd.DataFrame(data = a)
Results.set_index('Feature')

然后，为了获得特征的平均值，您可以使用group by并将结果发送到此新数据集

Results['Mean-DataSET1'] = df1.groupby('feature')['value'].transform('mean')
Results['Mean-DataSET2'] = df2.groupby('feature')['value'].transform('mean')

现在据我所知，p-tests返回整个列的值，因此我将在一个位置获取两个值列，然后将数据拆分为临时数据集，并获取这些数据的p值

df['value2'] = df2['value']

xone = df[(df['col2'] == 'X1')]
xtwo = df[(df['col2'] == 'X2')] 
xthree = df[(df['col2'] == 'X3')] 
xfour = df[(df['col2'] == 'X4')] 
xfive = df[(df['col2'] == 'X5')] 

这样你就可以像以前一样执行相同的函数，得到所有的值

p_vals = ttest_ind(xone['value'], xone['value2']).pvalue, ttest_ind(xtwo['value'], xtwo['value2']).pvalue, ttest_ind(xthree['value'], xthree['value2']).pvalue, ttest_ind(xfour['value'], xfour['value2']).pvalue, ttest_ind(xfive['value'], xfive['value2']).pvalue

Results['P_value'] = p_vals

因此，数据子集上的示例输出如下所示：

    Feature mean1   mean2   P_value
    X1  1.510000    1.633333    0.905175
    X2  -0.233333   -2.266667   0.326891
    X3  -0.033333   1.630000    0.377542

这不是最优雅的答案，但现在应该还可以，因为您只有小数据集

Answer 2

我将上面的输出写入了两个以制表符分隔的文件，并在下面进行了阅读，并添加了一列以指示它来自的dataframe或table：

import pandas as pd
from scipy.stats import ttest_ind
t1 = pd.read_csv("../t1.csv",names=['V1','V2','V3'],sep="\t")
t1['data'] = 'data1'
t2 = pd.read_csv("../t2.csv",names=['V1','V2','V3'],sep="\t")
t2['data'] = 'data2'

    V1  V2  V3  data
0   T1  X1  0.93    data1
1   T1  X2  0.30    data1
2   T1  X3  -2.90   data1
3   T2  X1  1.30    data1

然后我们将它们连接起来，并直接计算平均值：

df = pd.concat([t1,t2])
res = df.groupby("V2").apply(lambda x:x['V3'].groupby(x['data']).mean())
data    data1   data2
V2      
X1  1.026   1.700
X2  0.180   -0.784
X3  0.340   0.836

p.value需要在应用程序中进行多一点编码：

res['pvalue'] = df.groupby("V2").apply(lambda x:
                                       ttest_ind(x[x['data']=="data1"]["V3"],x[x['data']=="data2"]["V3"])[1])
data    data1   data2   pvalue
V2          
X1  1.026   1.700   0.316575
X2  0.180   -0.784  0.521615
X3  0.340   0.836   0.657752

您始终可以选择执行res.reset_index()以获取表