cause-effect 0.2.0

安装它

您可以通过以下方式安装cause_effect：

$ pip install cause_effect

或者，您可以直接从代码库安装：

$ pip install hg+http://bitbucket.org/hyllos/cause_effect

核心功能

pareto(values)

数字列表是否存在pareto分布（ratio<；=1）？

mccauses(values)

哪些原因具有最高浓度（秩*值）？

mceffects(values)

哪个效应的浓度最高？

separator(values)`

最高浓度从哪个值（包括）开始？

causes(values, effects=0.8)

确定特定影响份额的原因。

effects(values, causes=0.2)

确定特定部分原因的影响。

次要功能

ratio(values)

entropy除以control_limit。

entropy(values)

计算值的熵。

control_limit(count)

计算count个元素（长度values）的控制熵。

三级函数

make_causes(count)

返回原因列表，该列表是元素数量的累积百分比count。

make_effects(values)

返回值累积百分比的效果列表。

make_concentration(values)

返回排名*值的values列表的浓度列表。

sort_list(values)

返回已排序的号码列表。

参数

values是一个数字列表。 effects和causes必须是介于0和1（包括）之间的数字。 count是values列表的长度

使用它

函数pareto告诉您数字列表是否存在pareto分布：

fromparetoimportpareto,mccauses,mceffectspareto([789,621,109,65,45,30,27,15,12,9])True

这里，我们有一个帕累托分布。 那是少数人造成的大多数影响。

但是哪个少数人导致哪个多数人呢？

mccauses([789,621,109,65,45,30,27,15,12,9])0.2mceffects([789,621,109,65,45,30,27,15,12,9])0.818815331010453

20%的原因影响82%的结果。

但是那20%是多少呢？

separator([789,621,109,65,45,30,27,15,12,9])621

所有大于或等于621的值都是导致82%结果的20%。

就这样。

深入挖掘

只有90%的效果需要多少原因？

fromparetoimportcauses,effectscauses([789,621,109,65,45,30,27,15,12,9],0.9)0.4

40%

只有10%的原因背后有多少影响？

effects([789,621,109,65,45,30,27,15,12,9],0.1)0.458

45.8%。

它是如何工作的？

pareto计算效果列表的entropy：

fromparetoimportentropy,control_limit,ratioentropy([789,621,109,65,45,30,27,15,12,9])1.9593816735406657

它计算由10个元素组成的控制组的熵。这是我们名单的长度。

control_limit(10)2.7709505944546686

然后检查entropy是否小于或等于control_limit。

这可以简化为：

values=[789,621,109,65,45,30,27,15,12,9]entropy(values)/control_limit(len(values))<=1

比较的左侧由ratio完成。 因此，如果您想了解您离p are to分布有多远或多远，请执行以下操作：

ratio([109,65,45,30,27,15,12,9])1.051

如果删除前两个效果，值将超过control_limit。 因此，我们在这里了解到帕累托分布在前两种效应下消失了

mccauses和mceffects返回浓度（秩*值）最高的原因和影响的各自份额。

0.2.0（2016年10月21日）

• 添加函数分隔符（）。
• 简化测试

0.1.0（2016年10月20日）

• pypi上的第一个版本。