Página principal
Análisis de componentes principales y Análisis de correspondencias con Python
1) Análisis de componentes principales con Python
Implementación a partir de dos ejemplos
Archivo para descargar para obtener el código y los archivos de datos
Cargando el código comprimido y el archivo de datos [carpeta: "PCA_py"]
El programa integral de análisis de componentes principales (PCA) que se presenta aquí está diseñado con el espíritu del análisis de datos exploratorios. Insistimos entonces en el papel fundamental, para las interpretaciones, de las variables adicionales (numéricas o nominales) y de los individuos adicionales.
Este programa independiente no se refiere a los programas PCA existentes. Solo utiliza las tres bibliotecas clásicas de Python NUMPY (para el cálculo de vectores y matrices), PANDAS (para administrar tablas de datos) y MATPLOTLIB (para gráficos).
ACP: dos ejemplos y código comentado
Los archivos de ejemplo son archivos de datos semiométricos (puntuaciones de 1 a 7 otorgadas a las palabras por individuos dependiendo de si estas palabras son desagradables o agradables). En ejemplos de tamaño completo, hay 210 palabras y, a veces, varios miles de personas. Los trabajos relacionados con la semiometría se pueden descargar gratuitamente en este sitio.
Haga clic a continuación para obtener la presentación del ACP a partir de dos ejemplos
ACP: Presentación a partir de dos ejemplos y código comentado
2) Análisis de correspondencias (AC) con Python
Implementación a partir de un ejemplo
Archivo para descargar para obtener el código y los archivos de datos
Carga del código comprimido y el archivo de datos [carpeta: "CA_py"]
El programa de análisis de correspondencias (AC) que se presenta aquí está diseñado con el espíritu del análisis exploratorio de datos. Insistimos entonces en el papel fundamental, para las interpretaciones, de filas (variables) adicionales [o ilustrativas] y columnas (individuos) adicionales .
Este programa independiente no se refiere a los programas de AC existentes. Al igual que en el caso del análisis de componentes principales, este programa solo utiliza las tres bibliotecas clásicas de Python NUMPY (para el cálculo de vectores y matrices), PANDAS (para la gestión de tablas de datos) y MATPLOTLIB (para los gráficos).
AC: Un ejemplo y el código comentado
El pequeño archivo de ejemplos es una tabla de contingencia (o frecuencia) ya utilizada en el capítulo 3 del libro "Statistique Textuelle" [en francés] (Ludovic Lebart y André Salem, Dunod, 1994, para la primera edición). Puede acceder directamente al capítulo 3 de este libro haciendo clic en: Statistique Textuelle, chapitre 3 . (El libro completo se puede descargar haciendo clic sobre: Statistique Textuelle ). El mismo ejemplo introductorio se comenta tambien en detalle [en ingles] en el Capítulo 3 del libro "Exploring Textual Data" (Lebart, Salem y Berry, Kluwer Academic Publishers, 1998). Se puede descargar un extracto adaptado del capítulo 3 que contiene el ejemplo de: [Exploring Textual Data, extracto del capítulo 3] . Todo el libro todavía no es de dominio público.
Haga clic a continuación para obtener la presentación del AC a partir de un ejemplo
AC: Presentación de un ejemplo y código de Python comentado
Página principal