随着时间的推移，我在做什么呢？

Question

我真的很喜欢统计学，但已经6年多没上过这门课了。我很难弄清楚我需要什么样的测试，以及解决这类问题的最佳numpy/scipy/R函数。在

我有一个访问者表及其相应的属性（例如“Browser=Mozilla，referer=Google”）以及每个访问者的可变值（例如$5），这些值随时间分组到数据点中。在

我的目标是：

A）找出最重要的财产家庭，并对家庭的“重要性”进行评分

我想得出一个结论的例子*：

Referrer has 10x larger effect size upon value-per-visitor than Browser
=> PropertyFamily('browser').significance = 1
=> PropertyFamily('referrer').significance = 10

以及

B）找出家庭中最显著的属性，并给出显著性得分。在

我想得出一个结论：

^{pr2}$

我的问题是：

1）是否有numpy/scipy/R函数使我的生活更轻松？在

2）对方差分析（ANOVA）和方差分析有更多了解的人能否提供反馈？我不确定我是否做对了，可能会遗漏一些简单的东西。请确认或更正。

请注意，这些数组是过去30天内的数组（命中、值、天数）。例如，如果周一Mozilla的价值出现了一个较大的峰值（相对于基线），而在周二Mozilla的价值下降了（低于基线），我希望Mozilla显示为一个“重要的”属性（而不是峰值/下降相互抵消）

映射/还原之前的输入数据示例：

data = {
'baseline': [(hits, value, day) for hits, value, day in last_thirty_days('baseline')],
'browser': {
  'mozilla': [(hits, value, day) for hits, value, day in last_thirty_days('browser', 'mozilla')],
  ... etc ...
  }
}
... etc ...

这是我当前的代码——它运行在Dumbo/Hadoop上，并提供了一个“重要性”的数字，我基本上是为这个数字发明了公式。虽然我的公式是有效的，并且给出了有意义的数据，但我的“显著性”值并没有很好地定义（一个“重要的”属性通常会有一个“>；=100，但是这会随着数据集的大小而变化），我知道这可能有一个“真正的公式”。在

# Runs after each (hits, value, date) tuple has been grouped
# into corresponding "plot points", as they would appear on a graph
pp = PlotPoint(property, date, hits, value)
pp.epc = float(pp.value/pp.hits) if pp.hits else 0

# Finds PlotPoint('baseline', date)
# if pp = PlotPoint('firefox', '1-1-10')
#  then pp.baseline == PlotPoint('baseline', '1-1-10')
baseline = pp.baseline()
if baseline.hits == 0:
    volume_ratio = 0 
else:
    volume_ratio = round(100*pp.hits/baseline.hits)
value_ratio = baseline.epc - pp.epc

# Make up a significance value --
# e.g. (10% of visitors * ($1 delta from baseline))^2
pp.significance = math.sqrt(volume_ratio * value_ratio **2)

# OK, we have values for each plotpoint, now sum them up
# to get values for the whole property (over a 30day period) 
pps = property.plotpoint_set.all()
property.hits = sum([p.hits for p in pps])
property.value = sum([p.value for p in pps])
property.epc = property.value/property.hits
value_delta = baseline.epc - property.epc

# Make up a significance for the Property, based on each point's significance
property.significance = math.log(sum(
                [sss.significance**2 for sss in pps]
                )*abs(value_delta)+1)

提前谢谢！在

Answer 1

AFAIK，numpy/scipy中提供的统计测试是相当基本的。您可能需要研究R，这是一种或多或少专用于统计的语言，并且有很多高级函数可用。在

另外，我不认为马诺瓦真的是你想做的。MANOVA是指当你有几个相互作用的因变量时。这只是一个方差分析。在

在R中可以做什么的示例：

bybrowser = lm(value ~ browser, data=visitors)
anova(bybrowser)
byreferrer = lm(value ~ referrer, data=visitors)
anova(byreferrer)
byreferrerandbrowser = lm(value ~ browser * referrer, data=visitors)
anova(byreferrerandbrowser)

请注意，这一切都假设您的值是正态分布的。您应该检查一下这个假设（hist(visitors$value)是个好的开始）。如果它们不是，要么找到一种方法使它们正常化（试着记录），要么使用适当的非参数测试。在

哦，最后，如果你想得到统计方面的建议，有一个姐妹网站专门为你服务：https://stats.stackexchange.com/