我来自另一个topic讨论开始于此。假设我有这个来自心理学研究的 pandas 数据框，其中有一个因子变量(国家/地区)和一些来自李克特量表的项目。
import pandas as pd
import numpy as np
import pingouin as pg
from numpy import nan
sim_data = pd.DataFrame.from_dict({'country': {33003: 'Vietnam',
12172: 'Macedonia',
5192: 'Ghana',
32511: 'Vietnam',
7813: 'Ghana',
21440: 'Armenia',
32912: 'Vietnam',
20609: 'Georgia',
7751: 'Ghana',
31228: 'Laos',
36230: 'Serbia',
32025: 'Laos',
21758: 'Armenia',
35730: 'Serbia',
8444: 'Kenya',
19946: 'Georgia',
37532: 'Serbia',
22926: 'Armenia',
27204: 'Sri_Lanka',
31959: 'Laos',
24535: 'Sri_Lanka',
19433: 'Georgia',
17137: 'Ukraine',
26103: 'Sri_Lanka',
33878: 'Vietnam',
39053: 'Philippines',
33799: 'Vietnam',
37183: 'Serbia',
3606: 'Colombia',
2561: 'Colombia',
29960: 'Laos',
32397: 'Vietnam',
39539: 'Philippines',
431: 'Bolivia',
36842: 'Serbia',
16926: 'Ukraine',
9287: 'Kenya',
34246: 'Vietnam',
16277: 'Ukraine',
34105: 'Vietnam',
11032: 'Kenya',
41457: 'Philippines',
34380: 'Vietnam',
19482: 'Georgia',
1844: 'Bolivia',
9552: 'Kenya',
35437: 'Vietnam',
29555: 'Laos',
29993: 'Laos',
28114: 'Yunnan',
15: 'Bolivia',
27712: 'Yunnan',
12313: 'Macedonia',
11631: 'Kenya'},
'step_bfi1_ab_cor': {33003: 1.8333332538604736,
12172: 1.5,
5192: nan,
32511: 1.4166666269302368,
7813: nan,
21440: 2.4166665077209473,
32912: 1.0,
20609: 4.0,
7751: 0.5,
31228: 2.25,
36230: 2.9375,
32025: 1.875,
21758: 3.9166665077209473,
35730: 2.25,
8444: 3.5833334922790527,
19946: 2.3333334922790527,
37532: 4.0625,
22926: 3.5,
27204: 4.083333492279053,
31959: 3.0,
24535: 3.5,
19433: 2.0833334922790527,
17137: 3.25,
26103: 1.1666666269302368,
33878: 1.6666667461395264,
39053: 1.75,
33799: 0.75,
37183: 3.375,
3606: 4.25,
2561: 2.8333334922790527,
29960: 4.25,
32397: 3.8333332538604736,
39539: 2.5625,
431: 3.25,
36842: 3.8125,
16926: 1.9166667461395264,
9287: 2.3333334922790527,
34246: 1.0,
16277: 2.9166667461395264,
34105: 1.5833333730697632,
11032: 1.75,
41457: 3.75,
34380: 1.5833332538604736,
19482: 0.9166666269302368,
1844: 3.6666667461395264,
9552: 2.25,
35437: 1.0833332538604736,
29555: 2.25,
29993: 4.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 3.25,
12313: 2.0833334922790527,
11631: 2.5833334922790527},
'step_bfi3_ab_cor': {33003: 3.8333332538604736,
12172: 3.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 3.4166665077209473,
32912: 3.0,
20609: 4.0,
7751: 2.5,
31228: 4.25,
36230: 3.6875,
32025: 3.875,
21758: 3.9166665077209473,
35730: 2.25,
8444: 4.583333492279053,
19946: 2.3333334922790527,
37532: 2.5625,
22926: 2.5,
27204: 3.0833334922790527,
31959: 4.0,
24535: 2.5,
19433: 3.0833334922790527,
17137: 3.25,
26103: 3.1666665077209473,
33878: 3.6666667461395264,
39053: 2.5,
33799: 3.75,
37183: 3.375,
3606: 4.25,
2561: 2.8333334922790527,
29960: 3.25,
32397: 2.8333332538604736,
39539: 2.5625,
431: 3.25,
36842: 3.0625,
16926: 3.9166667461395264,
9287: 3.3333334922790527,
34246: 4.0,
16277: 1.9166667461395264,
34105: 3.5833334922790527,
11032: 3.75,
41457: 2.25,
34380: 2.5833332538604736,
19482: 3.9166665077209473,
1844: 2.6666667461395264,
9552: 3.25,
35437: 3.0833332538604736,
29555: 2.25,
29993: 2.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 2.25,
12313: 4.083333492279053,
11631: 3.5833334922790527},
'step_bfi5_ab_cor': {33003: 0.8333332538604736,
12172: 0.5,
5192: nan,
32511: 2.4166665077209473,
7813: nan,
21440: 2.4166665077209473,
32912: 2.0,
20609: 2.0,
7751: 0.5,
31228: 3.25,
36230: 3.6875,
32025: 1.875,
21758: 3.9166665077209473,
35730: 2.25,
8444: 1.5833333730697632,
19946: 1.3333333730697632,
37532: 1.8125,
22926: 1.5,
27204: 2.0833334922790527,
31959: 3.0,
24535: 1.5,
19433: 1.0833333730697632,
17137: 2.25,
26103: 4.166666507720947,
33878: 1.6666667461395264,
39053: 1.75,
33799: 1.75,
37183: 3.375,
3606: 2.25,
2561: 1.8333333730697632,
29960: 3.25,
32397: 1.8333332538604736,
39539: 2.5625,
431: 1.25,
36842: 3.8125,
16926: 1.9166667461395264,
9287: 1.3333333730697632,
34246: 3.0,
16277: 1.9166667461395264,
34105: 1.5833333730697632,
11032: 2.75,
41457: 2.25,
34380: 2.5833332538604736,
19482: 1.9166666269302368,
1844: 3.6666667461395264,
9552: 1.25,
35437: 1.0833332538604736,
29555: 1.25,
29993: 3.25,
28114: 2.6666665077209473,
15: 2.0,
27712: 3.25,
12313: 1.0833333730697632,
11631: 3.5833334922790527},
'step_bfi6_ab_cor': {33003: 4.1666669845581055,
12172: 1.5,
5192: nan,
32511: 1.5833333730697632,
7813: nan,
21440: 2.5833334922790527,
32912: 4.0,
20609: 3.0,
7751: 1.5,
31228: 2.75,
36230: 2.8125,
32025: 4.125,
21758: 4.083333492279053,
35730: 1.25,
8444: 3.4166665077209473,
19946: 2.6666665077209473,
37532: 3.9375,
22926: 2.5,
27204: 2.9166665077209473,
31959: 2.0,
24535: 2.5,
19433: 2.9166665077209473,
17137: 2.75,
26103: 0.8333333730697632,
33878: 4.3333330154418945,
39053: 2.5,
33799: 4.25,
37183: 3.125,
3606: 2.75,
2561: 3.1666665077209473,
29960: 3.75,
32397: 1.1666667461395264,
39539: 3.9375,
431: 1.75,
36842: 2.6875,
16926: 2.0833332538604736,
9287: 2.6666665077209473,
34246: 3.0,
16277: 2.0833332538604736,
34105: 2.4166665077209473,
11032: 3.25,
41457: 4.25,
34380: 2.4166667461395264,
19482: 4.083333492279053,
1844: 3.3333332538604736,
9552: 2.75,
35437: 2.9166667461395264,
29555: 1.75,
29993: 2.75,
28114: 3.3333334922790527,
15: 2.0,
27712: 1.75,
12313: 2.9166665077209473,
11631: 3.4166665077209473},
'step_bfi7_ab_cor': {33003: 1.8333332538604736,
12172: 1.5,
5192: nan,
32511: 1.4166666269302368,
7813: nan,
21440: 2.4166665077209473,
32912: 3.0,
20609: 2.0,
7751: 1.5,
31228: 3.25,
36230: 3.6875,
32025: 1.875,
21758: 3.9166665077209473,
35730: 3.75,
8444: 2.5833334922790527,
19946: 1.3333333730697632,
37532: 4.0625,
22926: 2.5,
27204: 3.0833334922790527,
31959: 1.0,
24535: 1.5,
19433: 2.0833334922790527,
17137: 2.25,
26103: 2.1666665077209473,
33878: 2.6666667461395264,
39053: 3.25,
33799: 0.75,
37183: 3.375,
3606: 2.25,
2561: 1.8333333730697632,
29960: 2.25,
32397: 3.8333332538604736,
39539: 4.0625,
431: 3.25,
36842: 3.8125,
16926: 1.9166667461395264,
9287: 2.3333334922790527,
34246: 2.0,
16277: 2.9166667461395264,
34105: 1.5833333730697632,
11032: 1.75,
41457: 3.75,
34380: 2.5833332538604736,
19482: 2.9166665077209473,
1844: 1.6666667461395264,
9552: 2.25,
35437: 2.0833332538604736,
29555: 2.25,
29993: 2.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 1.25,
12313: 4.083333492279053,
11631: 3.5833334922790527},
'step_bfi10_ab_cor': {33003: 3.8333332538604736,
12172: 3.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 3.4166665077209473,
32912: 3.0,
20609: 4.0,
7751: 3.5,
31228: 3.25,
36230: 3.6875,
32025: 1.875,
21758: 3.9166665077209473,
35730: 2.25,
8444: 2.5833334922790527,
19946: 4.333333492279053,
37532: 2.5625,
22926: 2.5,
27204: 4.083333492279053,
31959: 2.0,
24535: 0.4999999403953552,
19433: 3.0833334922790527,
17137: 3.25,
26103: 3.1666665077209473,
33878: 2.6666667461395264,
39053: 3.25,
33799: 1.75,
37183: 3.375,
3606: 2.25,
2561: 2.8333334922790527,
29960: 2.25,
32397: 1.8333332538604736,
39539: 4.0625,
431: 3.25,
36842: 3.0625,
16926: 3.9166667461395264,
9287: 2.3333334922790527,
34246: 4.0,
16277: 2.9166667461395264,
34105: 2.5833334922790527,
11032: 3.75,
41457: 2.25,
34380: 3.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 3.25,
35437: 3.0833332538604736,
29555: 2.25,
29993: 2.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 3.25,
12313: 2.0833334922790527,
11631: 4.583333492279053},
'step_bfi17_ab_cor': {33003: 2.8333332538604736,
12172: 1.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 1.4166666269302368,
32912: 2.0,
20609: 1.0,
7751: 3.5,
31228: 3.25,
36230: 2.1875,
32025: nan,
21758: 3.9166665077209473,
35730: 3.75,
8444: 3.5833334922790527,
19946: 2.3333334922790527,
37532: 2.5625,
22926: 2.5,
27204: 3.0833334922790527,
31959: 3.0,
24535: 2.5,
19433: 4.083333492279053,
17137: 2.25,
26103: 2.1666665077209473,
33878: 2.6666667461395264,
39053: 1.75,
33799: 2.75,
37183: 3.375,
3606: 4.25,
2561: 0.8333333730697632,
29960: 3.25,
32397: 1.8333332538604736,
39539: 2.5625,
431: 1.25,
36842: 2.3125,
16926: 2.9166667461395264,
9287: 3.3333334922790527,
34246: 2.0,
16277: 2.9166667461395264,
34105: 3.5833334922790527,
11032: 2.75,
41457: 3.75,
34380: 2.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 3.25,
35437: 2.0833332538604736,
29555: 2.25,
29993: 2.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 2.25,
12313: 3.0833334922790527,
11631: 3.5833334922790527},
'step_bfi19_ab_cor': {33003: 3.1666667461395264,
12172: 1.5,
5192: nan,
32511: 1.5833333730697632,
7813: nan,
21440: 2.5833334922790527,
32912: 2.0,
20609: 1.0,
7751: 1.5,
31228: 2.75,
36230: 2.0625,
32025: 2.125,
21758: 1.0833333730697632,
35730: 4.25,
8444: 3.4166665077209473,
19946: 3.6666665077209473,
37532: 0.9375,
22926: 2.5,
27204: 2.9166665077209473,
31959: 3.0,
24535: 1.5,
19433: 2.9166665077209473,
17137: 2.75,
26103: 1.8333333730697632,
33878: 3.3333332538604736,
39053: 3.25,
33799: 3.25,
37183: 3.125,
3606: 2.75,
2561: 3.1666665077209473,
29960: 1.75,
32397: 3.1666667461395264,
39539: 2.4375,
431: 1.75,
36842: 2.6875,
16926: 3.0833332538604736,
9287: 4.666666507720947,
34246: 3.0,
16277: 2.0833332538604736,
34105: 3.4166665077209473,
11032: 3.25,
41457: 2.75,
34380: 2.4166667461395264,
19482: 3.0833334922790527,
1844: 4.3333330154418945,
9552: 2.75,
35437: 2.9166667461395264,
29555: 1.75,
29993: 1.75,
28114: 3.3333334922790527,
15: 2.0,
27712: 2.75,
12313: 0.9166666269302368,
11631: 2.4166665077209473},
'step_bfi23_ab_cor': {33003: 1.1666667461395264,
12172: 3.5,
5192: nan,
32511: 4.583333492279053,
7813: nan,
21440: 3.5833334922790527,
32912: 2.0,
20609: 4.0,
7751: 4.5,
31228: 2.75,
36230: 3.5625,
32025: nan,
21758: 4.083333492279053,
35730: 4.25,
8444: 3.4166665077209473,
19946: 3.6666665077209473,
37532: 3.9375,
22926: 3.5,
27204: 2.9166665077209473,
31959: 3.0,
24535: 2.5,
19433: 2.9166665077209473,
17137: 2.75,
26103: 3.8333334922790527,
33878: 1.3333332538604736,
39053: 1.75,
33799: 2.25,
37183: 4.625,
3606: 2.75,
2561: 3.1666665077209473,
29960: 2.75,
32397: 3.1666667461395264,
39539: 2.4375,
431: 3.75,
36842: 3.4375,
16926: 3.0833332538604736,
9287: 1.6666666269302368,
34246: 3.0,
16277: 3.0833332538604736,
34105: 1.4166666269302368,
11032: 4.25,
41457: 2.75,
34380: 2.4166667461395264,
19482: 4.083333492279053,
1844: 3.3333332538604736,
9552: 3.75,
35437: 1.9166667461395264,
29555: 2.75,
29993: 2.75,
28114: 3.3333334922790527,
15: 4.0,
27712: 2.75,
12313: 2.9166665077209473,
11631: 3.4166665077209473},
'step_bfi30_ab_cor': {33003: 1.8333332538604736,
12172: 3.5,
5192: nan,
32511: 2.4166665077209473,
7813: nan,
21440: 3.4166665077209473,
32912: 4.0,
20609: 4.0,
7751: 3.5,
31228: 3.25,
36230: 3.6875,
32025: 1.875,
21758: 3.9166665077209473,
35730: 2.25,
8444: 2.5833334922790527,
19946: 4.333333492279053,
37532: 4.0625,
22926: 3.5,
27204: 4.083333492279053,
31959: 4.0,
24535: 3.5,
19433: 4.083333492279053,
17137: 3.25,
26103: 3.1666665077209473,
33878: 3.6666667461395264,
39053: 1.0,
33799: 0.75,
37183: 3.375,
3606: 4.25,
2561: 2.8333334922790527,
29960: 3.25,
32397: 2.8333332538604736,
39539: 4.0625,
431: 3.25,
36842: 3.8125,
16926: 2.9166667461395264,
9287: 2.3333334922790527,
34246: 3.0,
16277: 2.9166667461395264,
34105: 2.5833334922790527,
11032: 3.75,
41457: 3.75,
34380: 3.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 2.25,
35437: 3.0833332538604736,
29555: 2.25,
29993: 3.25,
28114: 3.6666665077209473,
15: 1.0,
27712: 3.25,
12313: 4.083333492279053,
11631: 4.583333492279053},
'step_bfi32_ab_cor': {33003: 3.8333332538604736,
12172: 1.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 3.4166665077209473,
32912: 4.0,
20609: 4.0,
7751: 3.5,
31228: 3.25,
36230: 2.9375,
32025: 2.875,
21758: 3.9166665077209473,
35730: 2.25,
8444: 3.5833334922790527,
19946: 4.333333492279053,
37532: 3.3125,
22926: 3.5,
27204: 4.083333492279053,
31959: 3.0,
24535: 2.5,
19433: 4.083333492279053,
17137: 3.25,
26103: 3.1666665077209473,
33878: 3.6666667461395264,
39053: 1.75,
33799: 3.75,
37183: 1.875,
3606: 4.25,
2561: 2.8333334922790527,
29960: 3.25,
32397: 2.8333332538604736,
39539: 2.5625,
431: 3.25,
36842: 3.0625,
16926: 2.9166667461395264,
9287: 2.3333334922790527,
34246: 4.0,
16277: 2.9166667461395264,
34105: 3.5833334922790527,
11032: 3.75,
41457: 2.25,
34380: 2.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 3.25,
35437: 3.0833332538604736,
29555: 3.25,
29993: 3.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 2.25,
12313: 3.0833334922790527,
11631: 3.5833334922790527},
'step_bfi33_ab_cor': {33003: 1.8333332538604736,
12172: 3.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 2.4166665077209473,
32912: 4.0,
20609: 2.0,
7751: 3.5,
31228: 3.25,
36230: 2.9375,
32025: 3.875,
21758: 3.9166665077209473,
35730: 3.75,
8444: 3.5833334922790527,
19946: 4.333333492279053,
37532: 4.0625,
22926: 2.5,
27204: 3.0833334922790527,
31959: 2.0,
24535: 1.5,
19433: 2.0833334922790527,
17137: 1.25,
26103: 3.1666665077209473,
33878: 3.6666667461395264,
39053: 2.5,
33799: 3.75,
37183: 3.375,
3606: 2.25,
2561: 2.8333334922790527,
29960: 3.25,
32397: 2.8333332538604736,
39539: 3.3125,
431: 2.25,
36842: 3.0625,
16926: 2.9166667461395264,
9287: 3.3333334922790527,
34246: 3.0,
16277: 2.9166667461395264,
34105: 3.5833334922790527,
11032: 3.75,
41457: 3.75,
34380: 3.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 2.25,
35437: 3.0833332538604736,
29555: 3.25,
29993: 2.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 1.25,
12313: 3.0833334922790527,
11631: 3.5833334922790527},
'step_bfi34_ab_cor': {33003: 3.8333332538604736,
12172: 1.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 3.4166665077209473,
32912: 3.0,
20609: 1.0,
7751: 3.5,
31228: 2.25,
36230: 2.9375,
32025: nan,
21758: 3.9166665077209473,
35730: 3.75,
8444: 2.5833334922790527,
19946: 3.3333334922790527,
37532: 2.5625,
22926: 2.5,
27204: 2.0833334922790527,
31959: 2.0,
24535: 1.5,
19433: 3.0833334922790527,
17137: 3.25,
26103: 2.1666665077209473,
33878: 2.6666667461395264,
39053: 2.5,
33799: 3.75,
37183: 3.375,
3606: 1.25,
2561: 3.8333334922790527,
29960: 2.25,
32397: 1.8333332538604736,
39539: 2.5625,
431: 2.25,
36842: 2.3125,
16926: 2.9166667461395264,
9287: 3.3333334922790527,
34246: 4.0,
16277: 2.9166667461395264,
34105: 1.5833333730697632,
11032: 3.75,
41457: 2.25,
34380: 1.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 3.25,
35437: 3.0833332538604736,
29555: 2.25,
29993: 2.25,
28114: 2.6666665077209473,
15: 3.0,
27712: 2.25,
12313: 1.0833333730697632,
11631: 2.5833334922790527},
'step_bfi36_ab_cor': {33003: 2.8333332538604736,
12172: 3.5,
5192: nan,
32511: 3.4166665077209473,
7813: nan,
21440: 2.4166665077209473,
32912: 3.0,
20609: 4.0,
7751: 2.5,
31228: 3.25,
36230: 3.6875,
32025: 1.875,
21758: 1.9166666269302368,
35730: 2.25,
8444: 3.5833334922790527,
19946: 4.333333492279053,
37532: 3.3125,
22926: 3.5,
27204: 3.0833334922790527,
31959: 3.0,
24535: 2.5,
19433: 4.083333492279053,
17137: 2.25,
26103: 2.1666665077209473,
33878: 3.6666667461395264,
39053: 3.25,
33799: 3.75,
37183: 3.375,
3606: 4.25,
2561: 2.8333334922790527,
29960: 3.25,
32397: 1.8333332538604736,
39539: 2.5625,
431: 2.25,
36842: 3.0625,
16926: 1.9166667461395264,
9287: 0.3333333730697632,
34246: 2.0,
16277: 2.9166667461395264,
34105: 3.5833334922790527,
11032: 3.75,
41457: 3.75,
34380: 3.5833332538604736,
19482: 3.9166665077209473,
1844: 3.6666667461395264,
9552: 3.25,
35437: 3.0833332538604736,
29555: 1.25,
29993: 2.25,
28114: 3.6666665077209473,
15: 3.0,
27712: 3.25,
12313: 4.083333492279053,
11631: 3.5833334922790527},
'step_bfi39_ab_cor': {33003: 4.1666669845581055,
12172: 3.5,
5192: nan,
32511: 4.583333492279053,
7813: nan,
21440: 2.5833334922790527,
32912: 3.0,
20609: 1.0,
7751: 2.5,
31228: 3.75,
36230: 4.3125,
32025: 1.125,
21758: 4.083333492279053,
35730: 2.75,
8444: 3.4166665077209473,
19946: 3.6666665077209473,
37532: 2.4375,
22926: 2.5,
27204: 2.9166665077209473,
31959: 3.0,
24535: 1.5,
19433: 2.9166665077209473,
17137: 2.75,
26103: 2.8333334922790527,
33878: 3.3333332538604736,
39053: 3.25,
33799: 3.25,
37183: 1.625,
3606: 3.75,
2561: 3.1666665077209473,
29960: 3.75,
32397: 3.1666667461395264,
39539: 0.9375,
431: 2.75,
36842: 2.6875,
16926: 3.0833332538604736,
9287: 2.6666665077209473,
34246: 3.0,
16277: 4.0833330154418945,
34105: 4.416666507720947,
11032: 2.25,
41457: 1.25,
34380: 2.4166667461395264,
19482: 1.0833333730697632,
1844: 3.3333332538604736,
9552: 1.75,
35437: 3.9166667461395264,
29555: 2.75,
29993: 2.75,
28114: 3.3333334922790527,
15: 4.0,
27712: 2.75,
12313: 2.9166665077209473,
11631: 2.4166665077209473}})
我定义了一个函数来执行 Cronbach 的 Alpha 分析，它具有以下代码:
def cronbach_alpha(df):
# 1. Transform the df into a correlation matrix
df_corr = df.corr()
# 2.1 Calculate N
# The number of variables equals the number of columns in the df
N = df.shape[1]
# 2.2 Calculate R
# For this, we'll loop through the columns and append every
# relevant correlation to an array calles "r_s". Then, we'll
# calculate the mean of "r_s"
rs = np.array([])
for i, col in enumerate(df_corr.columns):
sum_ = df_corr[col][i+1:].values
rs = np.append(sum_, rs)
mean_r = np.mean(rs)
# 3. Use the formula to calculate Cronbach's Alpha
cronbach_alpha = (N * mean_r) / (1 + (N - 1) * mean_r)
return cronbach_alpha
现在我很高兴我可以使用这里的命令从我的项目中获取 Cronbach's alpha:
cronbach_alpha(sim_data.drop("country",1))
但是，我想要所有国家/地区的 Cronbach's alpha。我想要的结果类似于 R 的结果
如您所见，它对所有项目(此数据集中的 15 个项目)运行 Cronbach 阿尔法系数，但所有分析均按每个国家/地区分组。我很确定它可以用 Python 和 user 完成开始帮助我。
最佳答案
- 使用
pandas.DataFrame.groupby和.apply功能。 Ghana是Nan因为该国家/地区的数据框中只有 1 行有效数据。- 函数
cronbach_alpha仅在提供国家数据框时为该国家返回 1 个值。
cron = df.groupby('country', as_index=False).apply(cronbach_alpha).rename(columns={None: 'val'})
# display(cron)
country val
0 Armenia 0.918237
1 Bolivia 0.751889
2 Colombia -0.800000
3 Georgia 0.238676
4 Ghana NaN
5 Kenya 0.746892
6 Laos 0.752618
7 Macedonia -0.800000
8 Philippines 0.569964
9 Serbia -0.675291
10 Sri_Lanka 0.916891
11 Ukraine -4.929153
12 Vietnam -0.668921
13 Yunnan 0.977778
获取每个国家/地区的描述性统计信息
df.groupby('country').describe()
[out]:
step_bfi1_ab_cor step_bfi3_ab_cor step_bfi5_ab_cor step_bfi6_ab_cor step_bfi7_ab_cor step_bfi10_ab_cor step_bfi17_ab_cor step_bfi19_ab_cor step_bfi23_ab_cor step_bfi30_ab_cor step_bfi32_ab_cor step_bfi33_ab_cor step_bfi34_ab_cor step_bfi36_ab_cor step_bfi39_ab_cor
count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max count mean std min 25% 50% 75% max
country
Armenia 3.0 3.277778 0.774298 2.416667 2.958333 3.500000 3.708333 3.916667 3.0 3.277778 0.718473 2.500000 2.958333 3.416667 3.666667 3.916667 3.0 2.611111 1.220011 1.500000 1.958333 2.416667 3.166667 3.916667 3.0 3.055556 0.891056 2.500000 2.541667 2.583333 3.333333 4.083333 3.0 2.944444 0.842999 2.416667 2.458333 2.500000 3.208333 3.916667 3.0 3.277778 0.718473 2.500000 2.958333 3.416667 3.666667 3.916667 3.0 2.611111 1.253698 1.416667 1.958333 2.500000 3.208333 3.916667 3.0 2.055556 0.843000 1.083333 1.791667 2.500000 2.541667 2.583333 3.0 3.722222 0.315495 3.500000 3.541667 3.583333 3.833333 4.083333 3.0 3.611111 0.267879 3.416667 3.458333 3.500000 3.708333 3.916667 3.0 3.611111 0.267879 3.416667 3.458333 3.500000 3.708333 3.916667 3.0 2.944444 0.842999 2.416667 2.458333 2.500000 3.208333 3.916667 3.0 3.277778 0.718473 2.500000 2.958333 3.416667 3.666667 3.916667 3.0 2.611111 0.809378 1.916667 2.166667 2.416667 2.958333 3.500000 3.0 3.055556 0.891056 2.500000 2.541667 2.583333 3.333333 4.083333
Bolivia 3.0 3.305556 0.336788 3.000000 3.125000 3.250000 3.458333 3.666667 3.0 2.972222 0.292657 2.666667 2.833333 3.000000 3.125000 3.250000 3.0 2.305556 1.236969 1.250000 1.625000 2.000000 2.833333 3.666667 3.0 2.361111 0.851197 1.750000 1.875000 2.000000 2.666667 3.333333 3.0 2.638889 0.851197 1.666667 2.333333 3.000000 3.125000 3.250000 3.0 3.305556 0.336788 3.000000 3.125000 3.250000 3.458333 3.666667 3.0 2.638889 1.248147 1.250000 2.125000 3.000000 3.333333 3.666667 3.0 2.694444 1.424813 1.750000 1.875000 2.000000 3.166667 4.333333 3.0 3.694444 0.336788 3.333333 3.541667 3.750000 3.875000 4.000000 3.0 2.638889 1.434528 1.000000 2.125000 3.250000 3.458333 3.666667 3.0 3.305556 0.336788 3.000000 3.125000 3.250000 3.458333 3.666667 3.0 2.972222 0.708742 2.250000 2.625000 3.000000 3.333333 3.666667 3.0 2.972222 0.708742 2.250000 2.625000 3.000000 3.333333 3.666667 3.0 2.972222 0.708742 2.250000 2.625000 3.000000 3.333333 3.666667 3.0 3.361111 0.625463 2.750000 3.041667 3.333333 3.666667 4.000000
Colombia 2.0 3.541667 1.001734 2.833333 3.187500 3.541667 3.895833 4.250000 2.0 3.541667 1.001734 2.833333 3.187500 3.541667 3.895833 4.250000 2.0 2.041667 0.294628 1.833333 1.937500 2.041667 2.145833 2.250000 2.0 2.958333 0.294628 2.750000 2.854167 2.958333 3.062500 3.166667 2.0 2.041667 0.294628 1.833333 1.937500 2.041667 2.145833 2.250000 2.0 2.541667 0.412479 2.250000 2.395833 2.541667 2.687500 2.833333 2.0 2.541667 2.415948 0.833333 1.687500 2.541667 3.395833 4.250000 2.0 2.958333 0.294628 2.750000 2.854167 2.958333 3.062500 3.166667 2.0 2.958333 0.294628 2.750000 2.854167 2.958333 3.062500 3.166667 2.0 3.541667 1.001734 2.833333 3.187500 3.541667 3.895833 4.250000 2.0 3.541667 1.001734 2.833333 3.187500 3.541667 3.895833 4.250000 2.0 2.541667 0.412479 2.250000 2.395833 2.541667 2.687500 2.833333 2.0 2.541667 1.826693 1.250000 1.895833 2.541667 3.187500 3.833333 2.0 3.541667 1.001734 2.833333 3.187500 3.541667 3.895833 4.250000 2.0 3.458333 0.412479 3.166667 3.312500 3.458333 3.604167 3.750000
Georgia 4.0 2.333333 1.271118 0.916667 1.791667 2.208333 2.750000 4.000000 4.0 3.333333 0.784691 2.333333 2.895833 3.500000 3.937500 4.000000 4.0 1.583333 0.446177 1.083333 1.270833 1.625000 1.937500 2.000000 4.0 3.166667 0.627311 2.666667 2.854167 2.958333 3.270833 4.083333 4.0 2.083333 0.649073 1.333333 1.833333 2.041667 2.291667 2.916667 4.0 3.833333 0.531420 3.083333 3.708333 3.958333 4.083333 4.333333 4.0 2.833333 1.454559 1.000000 2.000000 3.125000 3.958333 4.083333 4.0 2.666667 1.156703 1.000000 2.437500 3.000000 3.229167 3.666667 4.0 3.666667 0.531420 2.916667 3.479167 3.833333 4.020833 4.083333 4.0 4.083333 0.180021 3.916667 3.979167 4.041667 4.145833 4.333333 4.0 4.083333 0.180021 3.916667 3.979167 4.041667 4.145833 4.333333 4.0 3.083333 1.215258 2.000000 2.062500 3.000000 4.020833 4.333333 4.0 2.833333 1.271118 1.000000 2.562500 3.208333 3.479167 3.916667 4.0 4.083333 0.180021 3.916667 3.979167 4.041667 4.145833 4.333333 4.0 2.166667 1.335068 1.000000 1.062500 2.000000 3.104167 3.666667
Ghana 1.0 0.500000 NaN 0.500000 0.500000 0.500000 0.500000 0.500000 1.0 2.500000 NaN 2.500000 2.500000 2.500000 2.500000 2.500000 1.0 0.500000 NaN 0.500000 0.500000 0.500000 0.500000 0.500000 1.0 1.500000 NaN 1.500000 1.500000 1.500000 1.500000 1.500000 1.0 1.500000 NaN 1.500000 1.500000 1.500000 1.500000 1.500000 1.0 3.500000 NaN 3.500000 3.500000 3.500000 3.500000 3.500000 1.0 3.500000 NaN 3.500000 3.500000 3.500000 3.500000 3.500000 1.0 1.500000 NaN 1.500000 1.500000 1.500000 1.500000 1.500000 1.0 4.500000 NaN 4.500000 4.500000 4.500000 4.500000 4.500000 1.0 3.500000 NaN 3.500000 3.500000 3.500000 3.500000 3.500000 1.0 3.500000 NaN 3.500000 3.500000 3.500000 3.500000 3.500000 1.0 3.500000 NaN 3.500000 3.500000 3.500000 3.500000 3.500000 1.0 3.500000 NaN 3.500000 3.500000 3.500000 3.500000 3.500000 1.0 2.500000 NaN 2.500000 2.500000 2.500000 2.500000 2.500000 1.0 2.500000 NaN 2.500000 2.500000 2.500000 2.500000 2.500000
Kenya 5.0 2.500000 0.677003 1.750000 2.250000 2.333333 2.583333 3.583333 5.0 3.700000 0.532291 3.250000 3.333333 3.583333 3.750000 4.583333 5.0 2.100000 1.024695 1.250000 1.333333 1.583333 2.750000 3.583333 5.0 3.100000 0.365148 2.666667 2.750000 3.250000 3.416667 3.416667 5.0 2.500000 0.677003 1.750000 2.250000 2.333333 2.583333 3.583333 5.0 3.300000 0.908295 2.333333 2.583333 3.250000 3.750000 4.583333 5.0 3.300000 0.341565 2.750000 3.250000 3.333333 3.583333 3.583333 5.0 3.300000 0.861201 2.416667 2.750000 3.250000 3.416667 4.666667 5.0 3.300000 0.974679 1.666667 3.416667 3.416667 3.750000 4.250000 5.0 3.100000 1.024695 2.250000 2.333333 2.583333 3.750000 4.583333 5.0 3.300000 0.570088 2.333333 3.250000 3.583333 3.583333 3.750000 5.0 3.300000 0.605530 2.250000 3.333333 3.583333 3.583333 3.750000 5.0 3.100000 0.508265 2.583333 2.583333 3.250000 3.333333 3.750000 5.0 2.900000 1.446260 0.333333 3.250000 3.583333 3.583333 3.750000 5.0 2.500000 0.612372 1.750000 2.250000 2.416667 2.666667 3.416667
Laos 6.0 2.979167 1.050050 1.875000 2.250000 2.625000 3.937500 4.250000 6.0 3.312500 0.886531 2.250000 2.500000 3.562500 3.968750 4.250000 6.0 2.645833 0.867528 1.250000 2.156250 3.125000 3.250000 3.250000 6.0 2.854167 0.936805 1.750000 2.187500 2.750000 3.500000 4.125000 6.0 2.145833 0.726364 1.000000 1.968750 2.250000 2.250000 3.250000 6.0 2.312500 0.485734 1.875000 2.062500 2.250000 2.250000 3.250000 5.0 2.800000 0.512348 2.250000 2.250000 3.000000 3.250000 3.250000 6.0 2.187500 0.557618 1.750000 1.750000 1.937500 2.593750 3.000000 5.0 2.800000 0.111803 2.750000 2.750000 2.750000 2.750000 3.000000 6.0 2.979167 0.776276 1.875000 2.500000 3.250000 3.250000 4.000000 6.0 3.145833 0.166145 2.875000 3.062500 3.250000 3.250000 3.250000 6.0 2.979167 0.708946 2.000000 2.500000 3.250000 3.250000 3.875000 5.0 2.200000 0.111803 2.000000 2.250000 2.250000 2.250000 2.250000 6.0 2.479167 0.823167 1.250000 1.968750 2.625000 3.187500 3.250000 6.0 2.854167 0.963122 1.125000 2.750000 2.875000 3.562500 3.750000
Macedonia 2.0 1.791667 0.412479 1.500000 1.645833 1.791667 1.937500 2.083333 2.0 3.791667 0.412479 3.500000 3.645833 3.791667 3.937500 4.083333 2.0 0.791667 0.412479 0.500000 0.645833 0.791667 0.937500 1.083333 2.0 2.208333 1.001734 1.500000 1.854167 2.208333 2.562500 2.916667 2.0 2.791667 1.826693 1.500000 2.145833 2.791667 3.437500 4.083333 2.0 2.791667 1.001734 2.083333 2.437500 2.791667 3.145833 3.500000 2.0 2.291667 1.119586 1.500000 1.895833 2.291667 2.687500 3.083333 2.0 1.208333 0.412479 0.916667 1.062500 1.208333 1.354167 1.500000 2.0 3.208333 0.412479 2.916667 3.062500 3.208333 3.354167 3.500000 2.0 3.791667 0.412479 3.500000 3.645833 3.791667 3.937500 4.083333 2.0 2.291667 1.119586 1.500000 1.895833 2.291667 2.687500 3.083333 2.0 3.291667 0.294628 3.083333 3.187500 3.291667 3.395833 3.500000 2.0 1.291667 0.294628 1.083333 1.187500 1.291667 1.395833 1.500000 2.0 3.791667 0.412479 3.500000 3.645833 3.791667 3.937500 4.083333 2.0 3.208333 0.412479 2.916667 3.062500 3.208333 3.354167 3.500000
Philippines 3.0 2.687500 1.005842 1.750000 2.156250 2.562500 3.156250 3.750000 3.0 2.437500 0.165359 2.250000 2.375000 2.500000 2.531250 2.562500 3.0 2.187500 0.409840 1.750000 2.000000 2.250000 2.406250 2.562500 3.0 3.562500 0.933324 2.500000 3.218750 3.937500 4.093750 4.250000 3.0 3.687500 0.409840 3.250000 3.500000 3.750000 3.906250 4.062500 3.0 3.187500 0.907865 2.250000 2.750000 3.250000 3.656250 4.062500 3.0 2.687500 1.005842 1.750000 2.156250 2.562500 3.156250 3.750000 3.0 2.812500 0.409840 2.437500 2.593750 2.750000 3.000000 3.250000 3.0 2.312500 0.511585 1.750000 2.093750 2.437500 2.593750 2.750000 3.0 2.937500 1.685184 1.000000 2.375000 3.750000 3.906250 4.062500 3.0 2.187500 0.409840 1.750000 2.000000 2.250000 2.406250 2.562500 3.0 3.187500 0.634306 2.500000 2.906250 3.312500 3.531250 3.750000 3.0 2.437500 0.165359 2.250000 2.375000 2.500000 2.531250 2.562500 3.0 3.187500 0.596212 2.562500 2.906250 3.250000 3.500000 3.750000 3.0 1.812500 1.254679 0.937500 1.093750 1.250000 2.250000 3.250000
Serbia 5.0 3.287500 0.721598 2.250000 2.937500 3.375000 3.812500 4.062500 5.0 2.987500 0.585302 2.250000 2.562500 3.062500 3.375000 3.687500 5.0 2.987500 0.900738 1.812500 2.250000 3.375000 3.687500 3.812500 5.0 2.762500 0.975681 1.250000 2.687500 2.812500 3.125000 3.937500 5.0 3.737500 0.247645 3.375000 3.687500 3.750000 3.812500 4.062500 5.0 2.987500 0.585302 2.250000 2.562500 3.062500 3.375000 3.687500 5.0 2.837500 0.688352 2.187500 2.312500 2.562500 3.375000 3.750000 5.0 2.612500 1.230631 0.937500 2.062500 2.687500 3.125000 4.250000 5.0 3.962500 0.489339 3.437500 3.562500 3.937500 4.250000 4.625000 5.0 3.437500 0.708487 2.250000 3.375000 3.687500 3.812500 4.062500 5.0 2.687500 0.601106 1.875000 2.250000 2.937500 3.062500 3.312500 5.0 3.437500 0.469791 2.937500 3.062500 3.375000 3.750000 4.062500 5.0 2.987500 0.585302 2.312500 2.562500 2.937500 3.375000 3.750000 5.0 3.137500 0.543786 2.250000 3.062500 3.312500 3.375000 3.687500 5.0 2.762500 0.975681 1.625000 2.437500 2.687500 2.750000 4.312500
Sri_Lanka 3.0 2.916667 1.543355 1.166667 2.333333 3.500000 3.791667 4.083333 3.0 2.916667 0.363242 2.500000 2.791667 3.083333 3.125000 3.166667 3.0 2.583333 1.401884 1.500000 1.791667 2.083333 3.125000 4.166667 3.0 2.083333 1.102396 0.833333 1.666667 2.500000 2.708333 2.916667 3.0 2.250000 0.794949 1.500000 1.833333 2.166667 2.625000 3.083333 3.0 2.583333 1.861526 0.500000 1.833333 3.166667 3.625000 4.083333 3.0 2.583333 0.463981 2.166667 2.333333 2.500000 2.791667 3.083333 3.0 2.083333 0.740683 1.500000 1.666667 1.833333 2.375000 2.916667 3.0 3.083333 0.682113 2.500000 2.708333 2.916667 3.375000 3.833333 3.0 3.583333 0.463981 3.166667 3.333333 3.500000 3.791667 4.083333 3.0 3.250000 0.794949 2.500000 2.833333 3.166667 3.625000 4.083333 3.0 2.583333 0.939119 1.500000 2.291667 3.083333 3.125000 3.166667 3.0 1.916667 0.363242 1.500000 1.791667 2.083333 2.125000 2.166667 3.0 2.583333 0.463981 2.166667 2.333333 2.500000 2.791667 3.083333 3.0 2.416667 0.794949 1.500000 2.166667 2.833333 2.875000 2.916667
Ukraine 3.0 2.694444 0.693889 1.916667 2.416667 2.916667 3.083333 3.250000 3.0 3.027778 1.018350 1.916667 2.583333 3.250000 3.583333 3.916667 3.0 2.027778 0.192450 1.916667 1.916667 1.916667 2.083333 2.250000 3.0 2.305556 0.384900 2.083333 2.083333 2.083333 2.416667 2.750000 3.0 2.361111 0.509175 1.916667 2.083333 2.250000 2.583333 2.916667 3.0 3.361111 0.509175 2.916667 3.083333 3.250000 3.583333 3.916667 3.0 2.694444 0.384900 2.250000 2.583333 2.916667 2.916667 2.916667 3.0 2.638889 0.509175 2.083333 2.416667 2.750000 2.916667 3.083333 3.0 2.972222 0.192450 2.750000 2.916667 3.083333 3.083333 3.083333 3.0 3.027778 0.192450 2.916667 2.916667 2.916667 3.083333 3.250000 3.0 3.027778 0.192450 2.916667 2.916667 2.916667 3.083333 3.250000 3.0 2.361111 0.962250 1.250000 2.083333 2.916667 2.916667 2.916667 3.0 3.027778 0.192450 2.916667 2.916667 2.916667 3.083333 3.250000 3.0 2.361111 0.509175 1.916667 2.083333 2.250000 2.583333 2.916667 3.0 3.305555 0.693889 2.750000 2.916667 3.083333 3.583333 4.083333
Vietnam 10.0 1.575000 0.868206 0.750000 1.020833 1.500000 1.645833 3.833333 10.0 3.375000 0.473446 2.583333 3.020833 3.500000 3.729167 4.000000 10.0 1.875000 0.661146 0.833333 1.604167 1.791667 2.312500 3.000000 10.0 3.025000 1.142643 1.166667 2.416667 2.958333 4.125000 4.333333 10.0 2.175000 0.878806 0.750000 1.645833 2.041667 2.645833 3.833333 10.0 2.975000 0.775841 1.750000 2.604167 3.041667 3.541667 4.000000 10.0 2.575000 0.604063 1.833333 2.020833 2.625000 2.812500 3.583333 10.0 2.825000 0.619201 1.583333 2.541667 3.083333 3.229167 3.416667 10.0 2.325000 1.038198 1.166667 1.541667 2.125000 2.854167 4.583333 10.0 2.775000 0.957467 0.750000 2.458333 2.916667 3.458333 4.000000 10.0 3.475000 0.490732 2.583333 3.166667 3.625000 3.812500 4.000000 10.0 3.275000 0.623671 1.833333 3.020833 3.500000 3.645833 4.000000 10.0 2.875000 0.929000 1.583333 2.041667 3.041667 3.666667 4.000000 10.0 3.075000 0.683187 1.833333 2.875000 3.250000 3.583333 3.750000 10.0 3.525000 0.707161 2.416667 3.041667 3.291667 4.104167 4.583333
Yunnan 2.0 3.458333 0.294628 3.250000 3.354167 3.458333 3.562500 3.666667 2.0 2.958333 1.001734 2.250000 2.604167 2.958333 3.312500 3.666667 2.0 2.958333 0.412479 2.666667 2.812500 2.958333 3.104167 3.250000 2.0 2.541667 1.119586 1.750000 2.145833 2.541667 2.937500 3.333333 2.0 2.458333 1.708841 1.250000 1.854167 2.458333 3.062500 3.666667 2.0 3.458333 0.294628 3.250000 3.354167 3.458333 3.562500 3.666667 2.0 2.958333 1.001734 2.250000 2.604167 2.958333 3.312500 3.666667 2.0 3.041667 0.412479 2.750000 2.895833 3.041667 3.187500 3.333333 2.0 3.041667 0.412479 2.750000 2.895833 3.041667 3.187500 3.333333 2.0 3.458333 0.294628 3.250000 3.354167 3.458333 3.562500 3.666667 2.0 2.958333 1.001734 2.250000 2.604167 2.958333 3.312500 3.666667 2.0 2.458333 1.708841 1.250000 1.854167 2.458333 3.062500 3.666667 2.0 2.458333 0.294628 2.250000 2.354167 2.458333 2.562500 2.666667 2.0 3.458333 0.294628 3.250000 3.354167 3.458333 3.562500 3.666667 2.0 3.041667 0.412479 2.750000 2.895833 3.041667 3.187500 3.333333
关于python - 如何按组应用功能？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/63542618/