如何在Python中计算 Cramer 的 V？

Cramer's V：定义为两个给定名义变量之间的长度测量值。名义变量是一种数据测量尺度，用于对不同类型的数据进行分类。 Cramer 的 V 介于 0 和 1（含）之间。 0 表示这两个变量没有任何关系。 1 表明两个变量之间存在强关联。 Cramer's V 可以使用以下公式计算：

√(X²/N) / min(C-1, R-1)

Here, 

• X²: It is the Chi-square statistic
• N: It represents the total sample size
• R: It is equal to the number of rows
• C: It is equal to the number of columns

示例 1：

让我们计算一个 3 × 3 表的 Cramer's V。

Python3

# Load necessary packages and functions
import scipy.stats as stats
import numpy as np
  
# Make a 3 x 3 table
dataset = np.array([[13, 17, 11], [4, 6, 9],
                    [20, 31, 42]])
  
# Finding Chi-squared test statistic,
# sample size, and minimum of rows
# and columns
X2 = stats.chi2_contingency(dataset, correction=False)[0]
N = np.sum(dataset)
minimum_dimension = min(dataset.shape)-1
  
# Calculate Cramer's V
result = np.sqrt((X2/N) / minimum_dimension)
  
# Print the result
print(result)

输出：

输出

Cramers V 等于 0.121，这清楚地描述了表中两个变量之间的弱关联。

示例 2：

我们现在将计算较大表格和不等尺寸的 Cramer's V。 Cramers V 等于 0.12，这清楚地描述了表中两个变量之间的弱关联。

Python3

# Load necessary packages and functions
import scipy.stats as stats
import numpy as np
  
# Make a 5 x 4 table
dataset = np.array([[4, 13, 17, 11], [4, 6, 9, 12],
                    [2, 7, 4, 2], [5, 13, 10, 12],
                    [5, 6, 14, 12]])
  
# Finding Chi-squared test statistic, 
# sample size, and minimum of rows and
# columns
X2 = stats.chi2_contingency(dataset, correction=False)[0]
N = np.sum(dataset)
minimum_dimension = min(dataset.shape)-1
  
# Calculate Cramer's V
result = np.sqrt((X2/N) / minimum_dimension)
  
# Print the result
print(result)

输出：

输出

Cramers V 等于 0.146，这清楚地描述了表中两个变量之间的弱关联。