拓端tecdat|R語言使用灰色關聯分析(Grey Relation Analysis,GRA)中國經濟社會發展指標

原文鏈接：http://tecdat.cn/?p=16881

 

 

灰色關聯分析包括兩個重要功能。
第一項功能：灰色關聯度，與correlation系數相似，如果要評估某些單位，在使用此功能之前轉置數據。第二個功能：灰色聚類，如層次聚類。 

灰色關聯度

灰色關聯度有兩種用法。該算法用於測量兩個變量的相似性，就像`cor`一樣。如果要評估某些單位，可以轉置數據集。

*一種是檢查兩個變量的相關性，數據類型如下：

| 參考| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 1.2 | 1.8 | 0.9 | 8.4 |
| 0.11 | 0.3 | 0.5 | 0.2 |
| 1.3 | 0.7 | 0.12 | 0.98 |
| 1.9 | 1.09 | 2.8 | 0.99 |

reference：參考變量，reference和v1之間的灰色關聯度...近似地測量reference和v1的相似度。

*另一個是評估某些單位的好壞。

| 單位| v1 | v2 | v3 |
| ----------- |||| ---- | ---- |
| 江蘇| 1.8 | 0.9 | 8.4 |
| 浙江| 0.3 | 0.5 | 0.2 |
| 安徽 0.7 | 0.12 | 0.98 |
| 福建| 1.09 | 2.8 | 0.99 |

 示例

1.  
    
2.  
   ##生成數據
3.  
    
4.  
   #' economyCompare = data.frame(refer, liaoning, shandong, jiangsu, zhejiang, fujian, guangdong)
5.  
    
6.  
   #
7.  
   # 異常控制 #
8.  
   if (any(is.na(df))) stop("'df' have NA" )
9.  
   if (distingCoeff<0 | distingCoeff>1) stop("'distingCoeff' must be in range of [0,1]" )
10.  
     
11.  
     
12.  
     
13.  
     
14.  
    diff = X #設置差學列矩陣空間
15.  
     
16.  
    for (i in
17.  
    mx = max(diff)
18.  
     
19.  
     
20.  
    #計算關聯系數#
21.  
    relations = (mi+distingCoeff*mx) / (diff + distingCoeff*mx)
22.  
     
23.  
    #計算關聯度#
24.  
    # 暫時簡單處理, 等權
25.  
    relDegree = rep(NA, nc)
26.  
    for (i in 1:nc) {
27.  
    relDegree[i] = mean(relations[,i]) # 等權
28.  
    }
29.  
     
30.  
     
31.  
    #排序: 按關聯度大到小#
32.  
    X_order = X[ order(relDegree,
33.  
    relDes = rep(NA, nc) #分配空間 關聯關系描述(說明誰和誰的關聯度)
34.  
    X_names = names(X_o
35.  
    names(relationalDegree) = relDes
36.  
     
37.  
     
38.  
    if (cluster) {
39.  
     
40.  
    greyRelDegree = GRA(economyC
41.  
     
42.  
     
43.  
    # 得到差異率矩陣 #
44.  
    grey_diff = matrix( 0
45.  
     
46.  
    grey_diff[i,j] = abs(rel
47.  
    #得到距離矩陣#
48.  
    grey_dist = matrix( 0, nrow
49.  
    iff[i,j]+grey_diff[j,i]
50.  
    }
51.  
    }
52.  
     
53.  
    # 得到灰色相關系數矩陣 #
54.  
    grey_dist_max = max(grey_dist)
55.  
    grey_correl = matrix( 0, nrow = nc, ncol = nc)
56.  
    for (i in 1:nc) {
57.  
    for (j in 1:nc) {
58.  
    grey_correl[i,j] = 1 - grey_dist[i,j] / grey_dist_max
59.  
    }
60.  
    }
61.  
     
62.  
     
63.  
     
64.  
    d = as.dist( 1-grey_correl) # 得到無對角線的下三角矩陣(數值意義反向了, 值越小表示越相關 )
65.  
    # 主對角線其實表示了各個對象的相近程度, 畫圖的時候, 相近的對象放在一起
66.  
     
67.  
    hc = hclust(d, method = clusterMethod) # 系統聚類(分層聚類)函數, single: 單一連接(最短距離法/最近鄰)
68.  
    # hc$height, 是上面矩陣的對角元素升序
69.  
    # hc$order, 層次樹圖上橫軸個體序號
70.  
    plot(hc,hang= -1) #hang: 設置標簽懸掛位置
71.  
     
72.  
    }
73.  
     
74.  
    #輸出#
75.  
     
76.  
    if (cluster) {
77.  
    lst = list(relationalDegree=relationalDegree,
78.  
     
79.  
    return(lst)
80.  
     
81.  
    }
82.  
    ```
83.  
     
84.  
     
85.  
     
86.  
    ```{r}
87.  
    ## 生成數據
88.  
    rownames(economyCompare) = c( "indGV", "indVA", "profit", "incomeTax")
89.  
    ## 灰色關聯度
90.  
    greyRelDegree = greya(economyCompare)
91.  
    greyRelDegree
92.  
    ```
93.  
     
94.  
     
95.  
     

灰色關聯度 

 

灰色聚類，如層次聚類 

1.  
    
2.  
   ## 灰色聚類
3.  
    
4.  
   greya(economyCompare, cluster = T)
5.  
    

 

 

---

最受歡迎的見解

1.R語言k-Shape算法股票價格時間序列聚類

2.R語言中不同類型的聚類方法比較

3.R語言對用電負荷時間序列數據進行K-medoids聚類建模和GAM回歸

4.r語言鳶尾花iris數據集的層次聚類

5.Python Monte Carlo K-Means聚類實戰

6.用R進行網站評論文本挖掘聚類

7.用於NLP的Python：使用Keras的多標簽文本LSTM神經網絡

8.R語言對MNIST數據集分析 探索手寫數字分類數據

9.R語言基於Keras的小數據集深度學習圖像分類