[Python] 識別試験法を計算してmatplotlibでプロットを作成する方法

pip install numpy pandas scipy matplotlib

import pandas as pd
# サンプルデータの作成
data = {
    'Sample_A': [1, 1, 0, 1, 0],
    'Sample_B': [1, 0, 1, 1, 0],
    'Result': [1, 0, 1, 1, 0]
}
df = pd.DataFrame(data)
# 欠損値の処理(例：欠損値を削除)
df.dropna(inplace=True)

from scipy.stats import binom_test
# 識別成功数と試行回数
successes = df['Result'].sum()
trials = len(df)
# 二項検定の実行
p_value = binom_test(successes, trials, p=0.5, alternative='greater')

from scipy.stats import chi2_contingency
# クロス集計表の作成
contingency_table = pd.crosstab(df['Sample_A'], df['Result'])
# カイ二乗検定の実行
chi2, p_value, dof, expected = chi2_contingency(contingency_table)

import pandas as pd
from scipy.stats import binomtest, chi2_contingency

# サンプルデータの作成
data = {
    'Sample_A': [1, 1, 0, 1, 0],
    'Sample_B': [1, 0, 1, 1, 0],
    'Result': [1, 0, 1, 1, 0]
}
df = pd.DataFrame(data)

# 二項検定
successes = df['Result'].sum()
trials = len(df)
p_value_binom = binomtest(successes, trials, p=0.5, alternative='greater').pvalue

# カイ二乗検定
contingency_table = pd.crosstab(df['Sample_A'], df['Result'])
chi2, p_value_chi2, dof, expected = chi2_contingency(contingency_table)

# 結果の表示
print(f"二項検定のp値: {p_value_binom}")
print(f"カイ二乗検定のp値: {p_value_chi2}")

二項検定のp値: 0.5
カイ二乗検定のp値: 1.0

import matplotlib.pyplot as plt
# データの準備
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# グラフの描画
plt.plot(x, y)
plt.show()

import matplotlib.pyplot as plt
# 識別率のデータ
samples = ['Sample A', 'Sample B']
identification_rates = [0.8, 0.6]  # 例: Sample Aの識別率80%、Sample Bの識別率60%
# 棒グラフの描画
plt.bar(samples, identification_rates, color=['blue', 'orange'])
plt.ylabel('識別率')
plt.title('識別試験の結果')
plt.ylim(0, 1)  # y軸の範囲を0から1に設定
plt.show()

import matplotlib.pyplot as plt
# p値のデータ
conditions = ['Condition 1', 'Condition 2', 'Condition 3']
p_values = [0.05, 0.01, 0.15]  # 例: 各条件のp値
# 折れ線グラフの描画
plt.plot(conditions, p_values, marker='o', color='green')
plt.axhline(y=0.05, color='red', linestyle='--')  # 有意水準のライン
plt.ylabel('p値')
plt.title('条件ごとのp値の変化')
plt.ylim(0, 0.2)  # y軸の範囲を0から0.2に設定
plt.show()

plt.title('識別試験の結果')
plt.xlabel('サンプル')
plt.ylabel('識別率')

plt.bar(samples, identification_rates, color=['red', 'blue'])

plt.plot(x, y1, label='データ系列1', color='blue')
plt.plot(x, y2, label='データ系列2', color='orange')
plt.legend()  # 凡例を表示

import matplotlib.pyplot as plt
# 複数製品の識別率データ
products = ['製品A', '製品B', '製品C']
identification_rates = [0.85, 0.75, 0.90]
# 棒グラフの描画
plt.bar(products, identification_rates, color=['blue', 'orange', 'green'])
plt.ylabel('識別率')
plt.title('製品ごとの識別率比較')
plt.ylim(0, 1)
plt.show()

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
# サンプルデータの作成
data = {
    'Sample_A': [1, 0, 1],
    'Sample_B': [0, 1, 1],
    'Sample_C': [1, 1, 0]
}
df = pd.DataFrame(data, index=['試験1', '試験2', '試験3'])
# ヒートマップの描画
sns.heatmap(df, annot=True, cmap='YlGnBu', cbar=True)
plt.title('識別試験結果のヒートマップ')
plt.xlabel('サンプル')
plt.ylabel('試験')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
# 初期データ
x = np.arange(10)
y = np.random.rand(10)
# グラフの初期設定
fig, ax = plt.subplots()
line, = ax.plot(x, y)
def update(frame):
    # データの更新
    y = np.random.rand(10)
    line.set_ydata(y)  # yデータを更新
    return line,
# アニメーションの実行
ani = FuncAnimation(fig, update, frames=np.arange(0, 100), blit=True)
plt.ylim(0, 1)
plt.title('リアルタイム識別試験結果')
plt.show()