滞后序列分析python版
pip install pyseqlsa
或者
pip3 install pyseqlsa
from pyseqlsa import LSA
data = [['A', 'B', 'C', 'B', 'C', 'B', 'C'],
['C', 'C', 'B', 'A', 'C', 'A', 'B', 'C', 'B', 'C']]
lsa = LSA(['A', 'B', 'C'])
lsa.fit(data)
若不想打印输出，可以设置output=False
lsa.fit(data,output=False)
# 属性Z即是残差显著性的矩阵，大于1.96即显著
lsa.Z
lsa.to_sds(data, "filename.sds")
注意此处默认csv的格式，第一列为序列的id，第二列为code，标题名可以随意，从第二行开始读取，如下所示
| id | code |
|---|---|
| 1 | a |
| 1 | b |
| 1 | a |
| 2 | a |
| 2 | b |
| 2 | c |
读取后的数据即可直接用于LSA代码如下所示
from pyseqlsa import read_seqs_from_csv
from pyseqlsa import LSA
data = read_seqs_from_csv('test.csv')
lsa = LSA(['A', 'B', 'C'])
lsa.fit(data)
excel 请按照以下的格式设置，第一列为序列的id，第二列为code，标题名可以随意，从第二行开始读取，如下所示
| id | code |
|---|---|
| 1 | a |
| 1 | b |
| 1 | a |
| 2 | a |
| 2 | b |
| 2 | c |
读取后的数据即可直接用于LSA代码如下所示
from pyseqlsa import read_seqs_from_excel
from pyseqlsa import LSA
data = read_seqs_from_excel('test.xlsx')
lsa = LSA(['a', 'b', 'c'])
lsa.fit(data)
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent